Google DeepMind выпустила Gemma 4 12B — открытую ИИ-модель с мультимодальной обработкой для обычных ноутбуков. По данным Google, она нативно работает с текстом, изображениями и аудио без отдельных энкодеров, что снижает время обработки, расход памяти и задержку.
Компания заявляет, что модель может работать локально при 16 ГБ ОЗУ. По результатам бенчмарков, её показатели близки к версии 26B, которая вдвое больше по размеру. Также это первая модель Gemma среднего размера с нативной обработкой аудио.
Gemma 4 12B поддерживает распознавание речи, генерацию кода и анализ видео. В руководстве для разработчиков сказано, что модель может разбирать видеоролики длительностью в несколько минут, одновременно анализируя кадры и звук.
В одной из демонстраций модель обработала пятиминутный фрагмент выступления Google I/O: 313 кадров с частотой один кадр в секунду и аудиодорожку.
Модель уже доступна на платформах Hugging Face, Ollama, LM Studio и других сервисах. Она распространяется по лицензии Apache 2.0, которая допускает коммерческое использование.
Источник: The Decoder, Google DeepMind Developer Guide.
