教程上新丨16GB 笔记本跑出接近 26B MoE 性能，Gemma 4 12B 基于创新架构统一处理文本 / 图像 / 声音三种模态

当大模型竞争仍在围绕参数规模展开时，Google DeepMind 再次证明，性能提升未必只能依靠更大的模型。

近日，Google DeepMind 正式发布 Gemma 4 家族最新成员------Gemma 4 12B。这是一款仅有 120 亿参数的统一多模态模型，却在多项基准测试中展现出接近 260 亿参数混合专家（MoE）模型的性能。官方数据显示，Gemma 4 12B 在推理、代码生成以及多模态理解等任务上的表现已逼近 Gemma 4 26B，同时在部分视觉理解和 Agent 任务中达到当前同级别开源模型中的 SOTA 水平。 更重要的是，该模型仅需 16GB 显存或统一内存即可在消费级笔记本电脑上本地运行，实现了性能与部署成本之间的罕见平衡。

作为 Gemma 系列首个原生支持音频输入的中等规模模型，Gemma 4 12B 最大的突破并非参数规模，而是架构创新。长期以来，多模态模型普遍采用「编码器 + 语言模型」的方案：图像由视觉编码器处理，音频由语音编码器处理，再将结果传递给大语言模型进行推理。这种架构虽然成熟，却带来了额外的计算开销、显存占用和推理延迟。

为了解决这一问题，Google DeepMind 为 Gemma 4 12B 设计了一套全新的 Encoder-Free（无编码器）架构。图像经过轻量级嵌入模块后直接进入 LLM 主干网络，而音频则被直接投射到与文本 Token 相同的表示空间，由同一个 Decoder-Only Transformer 统一处理文本、图像和声音三种模态。 官方表示，这种设计显著降低了多模态推理延迟，同时减少了系统复杂度和内存占用。

除了统一多模态架构之外，Gemma 4 12B 还支持 256K 超长上下文窗口、可切换的 Thinking 深度推理模式、原生 Function Calling 以及 Agent 工作流能力。在标准评测中，其综合性能已接近体量超过两倍的 Gemma 4 26B MoE 模型， 而运行成本却不到后者的一半。对于希望在本地部署先进 AI 能力的开发者而言，这意味着无需昂贵 GPU，也能够获得接近当前顶级多模态模型的推理与 Agent 体验。

目前，OpenBayes 官网已上线「 Gemma4 12B-it：图文音统一多模态模型 」教程， 以 Notebook 的形式降低部署门槛，便于广大开发者快速验证模型。

在线运行链接：

go.openbayes.com/MgPnI