💡
原文中文，约2200字，阅读约需6分钟。
📝
内容提要
Google DeepMind 发布了 Gemma 4 12B，这是一个无编码器的多模态模型，支持文本、图像、音频和视频处理。该模型在消费级笔记本电脑上运行，性能接近 26B MoE 模型，但内存占用不到一半。它通过直接输入视觉和音频数据，简化了处理流程，提升了整体质量和指令遵循性。
🎯
关键要点
-
Google DeepMind 发布了 Gemma 4 12B，这是一个无编码器的多模态模型。
-
该模型支持文本、图像、音频和视频处理，直接输入视觉和音频数据。
-
Gemma 4 12B 在配备 16 GB 内存的消费级笔记本电脑上运行，性能接近 26B MoE 模型，但内存占用不到一半。
-
模型采用 Apache 2.0 许可证，权重数据开放可下载。
-
视觉嵌入器通过矩阵乘法和位置查找表处理图像，音频波形直接投影到嵌入空间。
-
无编码器设计降低了多模态延迟，简化了处理流程。
-
该模型展现了自动语音识别、智能推理、声音分割和视频理解等功能。
-
谷歌报告称，切换到 Gemma 4 12B 后，整体质量提高了 60% 以上，指令遵循性和范围遵守性改善。
❓
延伸问答
Gemma 4 12B 是什么类型的模型？
Gemma 4 12B 是一个无编码器的多模态模型，支持文本、图像、音频和视频处理。
Gemma 4 12B 的硬件要求是什么？
Gemma 4 12B 可以在配备 16 GB 内存的消费级笔记本电脑上运行。
Gemma 4 12B 的性能如何？
Gemma 4 12B 的性能接近 26B MoE 模型，但内存占用不到一半。
Gemma 4 12B 如何处理视觉和音频数据？
Gemma 4 12B 通过直接输入视觉和音频数据，简化了处理流程，无需单独的编码器。
Gemma 4 12B 的主要功能有哪些？
Gemma 4 12B 展现了自动语音识别、智能推理、声音分割和视频理解等功能。
Gemma 4 12B 的许可证是什么？
Gemma 4 12B 采用 Apache 2.0 许可证，权重数据开放可下载。
➡️
