2026年6月3日

|

3 分钟阅读

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

Google Deepmind 产品管理总监

Gus Martins

Google DeepMind 产品经理


图片 1:Gemma 4 12B 统一变换器

音频 3

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 为实验性技术。

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 填补了边缘友好的 E4B 与更先进的 26B 混合专家模型之间的空白,在更小的内存占用内封装了强大的能力。这也是我们首款支持原生音频输入的中型模型。

得益于开发者社区,Gemma 4 模型的下载量现已突破 1.5 亿次。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 安全的各种应用。我们很期待看到你们用这个最新版本能创造出什么。

以下是 Gemma 4 12B 独特之处的概述:

  • 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 LLM 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 VRAM 或统一内存即可本地运行。
  • 开放且可访问: 在 Apache 2.0 许可下发布,并得到整个开发者生态系统的支持。
  • 草稿模型就绪: Gemma 4 12B 配备多令牌预测草稿器,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,同时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 RAM 的消费级笔记本电脑上本地运行,从而在你的机器上解锁强大的多模态和智能体体验。

体验独特高效的统一架构

Gemma 4 12B 的突出之处在于其处理视觉和音频输入的简化方法。传统的多模态模型通常依赖独立的编码器来翻译图像和音频,然后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使用,我们采用无编码器架构训练了 Gemma 4 12B,以直接集成音频和视觉输入。

以下是 Gemma 4 12B 原生处理多模态输入的方式:

  • 视觉: 我们将 Gemma 4 的视觉编码器替换为一个轻量级嵌入模块,该模块仅包含一次矩阵乘法、位置嵌入和归一化。这使得 LLM 主干网络能够接管视觉处理。
  • 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令牌相同的维度空间。

对于想要详细了解的开发者,请访问我们的配套 Gemma 4 12B 开发者指南

观看原生音频处理的实际应用:观看 Gemma 4 12B 使用 Google AI Edge Eloquent 应用,完全离线转录、格式化并翻译语音输入。

立即开始使用

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文