推出 Gemma 4 12B：一款统一、无编码器的多模态模型
Gemma 4 12B 旨在将高性能多模态智能直接带到你的笔记本电脑上，融合了移动优先的效率与高级推理能力。
Olivier Lacombe
产品管理总监，Google DeepMind
Gus Martins
今天，我们推出 Gemma 4 12B，这是我们最新的模型，旨在将智能体多模态智能直接带到笔记本电脑上。Gemma 4 12B 填补了我们面向边缘设备的 E4B 与更先进的 26B 混合专家（MoE）模型之间的空白，在更小的内存占用内封装了强大的能力。它也是我们首款支持原生音频输入的中型模型。
感谢开发者社区，Gemma 4 系列模型现已突破 1.5 亿次下载。你们用它构建了从可穿戴机械臂（用于物理辅助）到企业级 AI 安全等各类应用。我们很期待看到你们用这款最新模型能创造出什么。
以下是 Gemma 4 12B 的独特之处概览：
- 新颖的统一架构：无需多模态编码器。视觉和音频输入直接流入大语言模型主干网络。
- 高级推理：基准测试性能接近我们的 26B 模型，解锁强大的多步推理和智能体工作流。
- 笔记本电脑就绪：体积小巧，仅需 16GB 显存或统一内存即可本地运行。
- 开放且易用：采用 Apache 2.0 许可证发布，并得到整个开发者生态系统的支持。
- 草稿模型就绪：Gemma 4 12B 配备了多 token 预测（MTP）草稿模型，可降低延迟。
这些特性共同将先进的多模态能力带到了日常硬件上，且不牺牲速度或推理能力。现在，让我们更深入地了解 Gemma 4 12B 是如何实现这一点的。
在本地运行最先进的智能体
Gemma 4 12B 在标准基准测试中性能接近我们更大的 26B MoE 模型，但总内存占用不到其一半。它体积小巧，可在配备 16GB 内存的消费级笔记本电脑上本地运行，直接在您的机器上解锁强大的多模态和智能体体验。
体验一种独特高效、统一的架构
Gemma 4 12B 的突出之处在于其精简处理视觉和音频输入的方式。传统多模态模型通常依赖独立的编码器来转换图像和音频，然后再将这些表示传递给语言模型。由于这些分离的编码器会增加延迟和内存占用，我们采用无编码器架构训练了 Gemma 4 12B，以直接整合音频和视觉输入。
以下是 Gemma 4 12B 原生处理多模态输入的方式：
- 视觉：我们用轻量级嵌入模块替换了 Gemma 4 的视觉编码器，该模块仅包含一次矩阵乘法、位置嵌入和归一化。这使得大语言模型主干能够接管视觉处理。
- 音频：我们进一步简化了音频处理。我们完全移除了音频编码器，并将原始音频信号投影到与文本 token 相同的维度空间。
想要了解详细分解的开发者，请前往我们的配套《Gemma 4 12B 开发者指南》。
立即开始
- 亲自尝试：在 LM Studio、Ollama、Google AI Edge Gallery 应用、Google AI Edge Eloquent 应用以及 LiteRT-LM CLI 中轻松点击几下即可体验。
- 下载权重：直接从 Hugging Face 和 Kaggle 下载预训练和指令微调后的检查点。
- 集成与学习：查阅开发者文档和快速入门笔记本。
- 使用你喜爱的开发工具：通过 Hugging Face Transformers、llama.cpp、MLX、SGLang 和 vLLM 实现本地推理管道，或使用 Unsloth 高效微调。
- 借助 Gemma Skills 解锁智能体开发：为支持智能体利用最新的 Gemma 进展进行构建，我们发布了官方技能仓库。这是一个专门为让智能体能够使用 Gemma 模型进行构建而设计的技能库。
- 按需部署：使用 Google Cloud 在生产环境中启动端点。通过 Gemini Enterprise Agent Platform Model Garden、Cloud Run 和 GKE 按需部署。