Google DeepMind представила Gemma 4 12B — новую открытую мультимодальную модель среднего размера. Анонс опубликован 3 июня 2026 года, в RSS материал пришёл 9 июня. Главная идея релиза: дать разработчикам модель, которая умеет работать с текстом, изображениями и аудио, но при этом запускается локально на обычном ноутбуке с 16 ГБ VRAM или объединённой памяти.
Что произошло
Gemma 4 12B стала новой моделью в семействе Gemma 4. Это не замена самым крупным моделям Google, а промежуточное решение между компактной E4B и более мощной 26B Mixture of Experts. Google прямо позиционирует её как модель для локальных агентных сценариев: анализ файлов, работа с изображениями, обработка аудио, рассуждения в несколько шагов и запуск без постоянной зависимости от облака.
Ключевое отличие Gemma 4 12B — единая мультимодальная архитектура без отдельных энкодеров. Обычно модели такого типа устроены сложнее: есть языковая модель, а рядом с ней отдельные модули, которые предварительно «переводят» картинку или звук в формат, понятный LLM. У Google здесь другой подход: визуальные и аудиосигналы подаются ближе к основному языковому блоку, без тяжёлого отдельного энкодера.
Если объяснять совсем просто: Gemma 4 12B пытается смотреть, слушать и читать более «единым мозгом», а не через набор отдельных переводчиков между разными типами данных.
Почему это важно
Мультимодальность уже перестала быть редкой функцией больших облачных моделей. Но локальные модели до сих пор часто упираются в компромисс: либо они достаточно лёгкие, но сильно ограничены, либо умеют больше, но требуют серверного железа.
Gemma 4 12B интересна тем, что Google пытается подвинуть этот компромисс. 12 миллиардов параметров — это уже не крошечная модель, но ещё не монстр, который нормально живёт только на дорогих GPU. Если модель действительно стабильно работает на ноутбуках с 16 ГБ памяти, это расширяет круг практических сценариев.
Для разработчиков это означает несколько вещей:
- можно строить локальные ассистенты без отправки пользовательских данных в облако;
- можно делать прототипы мультимодальных агентов на обычном рабочем железе;
- можно запускать inference дешевле, чем на крупных закрытых моделях;
- можно дообучать или адаптировать модель под конкретные задачи;
- можно использовать её в продуктах, где важны приватность, задержка и контроль над инфраструктурой.
Особенно важен пункт про аудио. Google подчёркивает, что это первая среднеразмерная Gemma с нативным аудиовходом. То есть модель рассчитана не только на текст и картинки, но и на сценарии вроде голосовых интерфейсов, анализа записей, локальных ассистентов и инструментов для работы со звуком.
Что изменилось по сравнению с предыдущими Gemma
Внутри семейства Gemma 4 новая 12B закрывает промежуток между более лёгкой E4B и старшей 26B MoE. E4B ориентирована на edge-сценарии и мобильную эффективность: там важнее компактность и запуск на слабом железе. 26B MoE, наоборот, даёт более высокий уровень качества и рассуждений, но требует больше памяти и ресурсов.
Gemma 4 12B находится между ними. По заявлению Google, она приближается к 26B MoE на стандартных бенчмарках, но занимает меньше половины её общего memory footprint. Это и есть главный смысл релиза: получить заметную часть возможностей старшей модели без таких же требований к железу.
Есть и архитектурное отличие. В прежних мультимодальных подходах часто использовались отдельные энкодеры для зрения и аудио. У Gemma 4 12B Google убрала эту прослойку или резко упростила её.
Для изображений вместо полноценного vision encoder используется лёгкий embedding-модуль: матричное умножение, позиционные embedding-и и нормализация. После этого основная LLM сама берёт на себя большую часть обработки визуальной информации.
С аудио Google пошла ещё дальше: отдельный audio encoder убран, а сырой аудиосигнал проецируется в то же пространство, где находятся текстовые токены. На практике это должно снижать задержку и расход памяти, потому что модель не таскает за собой несколько тяжёлых специализированных блоков.
Ещё одно изменение — поддержка Multi-Token Prediction drafters. Это механизм для ускорения генерации: модель может готовить несколько токенов вперёд, снижая задержку ответа. Для локального использования это важно не меньше качества. Пользователь может простить модели небольшой проигрыш в бенчмарке, но медленный интерфейс быстро начинает раздражать.
Что значит «encoder-free»
Термин звучит академично, но смысл довольно прикладной.
Представим обычную мультимодальную систему. Пользователь загружает картинку. Сначала отдельная vision-модель превращает её в набор признаков. Потом эти признаки передаются в языковую модель. Если пользователь добавляет аудио, появляется ещё один отдельный модуль для звука. Каждый такой модуль потребляет память, добавляет задержку и усложняет развёртывание.
Gemma 4 12B делает ставку на более прямой путь. Вместо тяжёлых специализированных энкодеров входные данные приводятся к формату, с которым может работать основной transformer. Это не значит, что магически исчезла вся предварительная обработка. Но она стала легче и теснее связана с LLM.
Для пользователя это выражается не в красивом термине, а в трёх практических вещах: модель проще запускать, она потенциально быстрее отвечает и ей нужно меньше памяти при мультимодальных задачах.
Для разработчика это ещё и более чистая архитектура. Чем меньше отдельных блоков, тем проще деплой, оптимизация, квантизация и перенос между фреймворками.
Для кого эта модель
Gemma 4 12B в первую очередь интересна разработчикам, которые хотят делать локальные AI-инструменты, но не готовы жертвовать мультимодальностью. Это могут быть IDE-помощники, агенты для анализа документов, ассистенты для работы с медиа, локальные поисковые системы по файлам, корпоративные инструменты с приватными данными.
Вторая аудитория — небольшие команды, которым нужны открытые веса и понятная лицензия. Gemma 4 12B выходит под Apache 2.0, а это важный момент для коммерческого использования. Лицензия не превращает любую интеграцию в юридическую головоломку и позволяет строить продукты поверх модели.
Третья аудитория — исследователи и энтузиасты локального AI. Для них важны не только готовые API, но и возможность скачать веса, запустить модель в LM Studio или Ollama, протестировать через llama.cpp, MLX, vLLM, SGLang, Hugging Face Transformers, а затем сравнить качество на своих данных.
Отдельно стоит отметить агентные сценарии. Google прямо говорит о «agentic multimodal intelligence». Это значит, что модель рассчитана не просто на чат, а на цепочки действий: посмотреть изображение, понять задачу, рассуждать, вызвать инструмент, обработать результат и продолжить. Для таких сценариев качество многошагового рассуждения часто важнее, чем красивая одноразовая генерация текста.
Где могут быть ограничения
Важно не переоценивать анонс. Gemma 4 12B — открытая локальная модель среднего размера, а не замена флагманским закрытым системам уровня Gemini или GPT в самых сложных задачах. 12B-модель физически ограничена размером, контекстом, знаниями и вычислительной мощностью.
Для простых и средних задач она может быть очень удобной. Для тяжёлой аналитики, сложного программирования, юридических заключений, длинных документов и задач с высокой ценой ошибки всё равно придётся тщательно тестировать качество.
Также «работает на ноутбуке с 16 ГБ памяти» не всегда означает «работает быстро и комфортно в любой конфигурации». Реальная скорость будет зависеть от формата весов, квантизации, движка запуска, GPU, CPU, памяти и конкретного сценария. В LM Studio на одном ноутбуке опыт может быть нормальным, а на другом — заметно медленным.
Мультимодальность тоже нужно проверять на практике. Архитектурное решение выглядит интересно, но пользователям важен результат: насколько хорошо модель понимает изображения, как справляется с шумным аудио, не теряет ли детали, насколько стабильно работает в длинных цепочках.
Как попробовать
Google перечисляет несколько способов начать работу с Gemma 4 12B.
Самый простой путь — локальные приложения. Модель можно попробовать через LM Studio, Ollama, Google AI Edge Gallery App, Google AI Edge Eloquent и LiteRT-LM CLI. Это хороший вариант, если хочется быстро проверить модель без разворачивания собственной инфраструктуры.
Для разработчиков доступны веса на Hugging Face и Kaggle. Там можно скачать pre-trained и instruction-tuned checkpoints. Instruction-tuned версия обычно подходит для чат-ботов и ассистентов, потому что она уже адаптирована под выполнение инструкций. Pre-trained версия больше нужна для исследовательских задач, дальнейшего обучения и специализированной настройки.
Для интеграции Google указывает поддержку популярных инструментов: Hugging Face Transformers, llama.cpp, MLX, SGLang и vLLM. Это важный список, потому что он покрывает разные сценарии. llama.cpp удобен для локального запуска и квантизированных моделей. MLX особенно интересен пользователям Apple Silicon. vLLM и SGLang чаще смотрят в сторону серверного inference и production-нагрузки.
Для дообучения можно использовать Unsloth. Это полезно, если нужно адаптировать модель под доменные данные: например, внутреннюю документацию, клиентскую поддержку, технические инструкции или формат конкретного продукта.
Для production-деплоя Google предлагает Google Cloud: Model Garden в Gemini Enterprise Agent Platform, Cloud Run и GKE. Это уже вариант для команд, которым нужна не локальная игрушка, а управляемая инфраструктура, масштабирование и нормальная эксплуатация.
Поскольку Gemma 4 12B распространяется открыто, покупать доступ к самой модели не нужно. Платными могут быть облачные ресурсы, GPU-серверы, managed-инфраструктура или подписки на инструменты, через которые вы её запускаете. В этом смысле модель ближе к «скачал и развернул», чем к классической подписке на закрытый AI-сервис.
Что это меняет для рынка локальных моделей
Gemma 4 12B хорошо показывает текущий вектор развития: локальные модели становятся не просто текстовыми чатами, а полноценными мультимодальными движками. Ещё год-два назад для качественной работы с картинками и аудио почти неизбежно приходилось уходить в облачные API. Теперь крупные игроки всё активнее двигают такие возможности ближе к пользовательскому устройству.
Это важно не только для энтузиастов. Локальный запуск даёт три преимущества, которые трудно заменить облаком.
Первое — приватность. Если модель анализирует внутренние документы, скриншоты, записи встреч или пользовательские файлы прямо на устройстве, компания снижает риски передачи данных наружу.
Второе — задержка. Для интерактивных интерфейсов локальный ответ часто ощущается лучше, особенно если модель оптимизирована и не зависит от сети.
Третье — стоимость. Облачные API удобны, но при большом количестве запросов становятся заметной статьёй расходов. Локальная или собственная серверная модель может быть дешевле, если нагрузка постоянная и предсказуемая.
Gemma 4 12B не решает все проблемы сразу, но делает мультимодальный локальный AI более практичным. Особенно если разработчикам действительно удастся получить близкое к 26B MoE качество при существенно меньших требованиях к памяти.
Главное
Gemma 4 12B — это новая открытая модель Google DeepMind для текста, изображений и аудио. Её главная ставка — единая encoder-free архитектура, сниженный расход памяти и возможность запуска на обычных ноутбуках с 16 ГБ памяти.
По сравнению с более компактной E4B новая модель должна давать более сильные рассуждения и мультимодальные возможности. По сравнению с 26B MoE — быть легче, дешевле и удобнее для локального запуска. Поэтому релиз интересен не как очередная строка в списке моделей, а как попытка сделать мультимодальных агентов ближе к повседневному железу.
Для разработчиков это хороший кандидат на тесты в локальных ассистентах, инструментах анализа медиа, приватных корпоративных AI-сценариях и агентных пайплайнах. Но, как и с любой открытой моделью, финальный вывод стоит делать не по бенчмаркам, а по собственным задачам: скачать, запустить, сравнить качество и скорость на реальных данных.
Источник
Google DeepMind / Google Blog: Introducing Gemma 4 12B: a unified, encoder-free multimodal model