跳到主要内容
AI News HubLIVE
更多
仅摘要

Google DeepMind 发布 Gemma 4 12B：无需编码器的多模态模型，原生音频支持，可在 16GB 笔记本电脑上运行

Google DeepMind 发布 Gemma 4 12B，这是一款 120 亿参数的密集多模态模型，采用无编码器设计，直接将视觉和音频输入 LLM 主干。该模型可在 16GB RAM 的消费级笔记本电脑上本地运行，并采用 Apache 2.0 许可证。它原生支持文本、图像、音频和视频，是首个具备原生音频功能的中型 Gemma 模型。

来源MarkTechPost作者: Asif Razzaq
Google DeepMind 发布 Gemma 4 12B：无需编码器的多模态模型，原生音频支持，可在 16GB 笔记本电脑上运行
报告错误

纠错通道尚未开通，可先复制下方文章信息留存。

查看更正说明

本文仅提供摘要

根据来源内容权限，本站仅提供编辑摘要、要点和原文链接。

展开要点与分析

文章情报

工程师进阶

要点

  • 无编码器架构：取消独立的视觉（5.5亿参数）和音频（3亿参数）编码器，使用轻量级视觉嵌入器（3500万参数）和直接音频波形投影。
  • 性能接近 26B MoE 模型，但内存占用不到一半，可在 16GB 设备上运行。
  • 原生支持音频输入，包括自动语音识别和说话人分离；同时支持视频理解。
  • 开源许可证 Apache 2.0，兼容 llama.cpp、MLX、vLLM 等多种推理栈。

要点与分析由自动化流程生成，可能有误，请结合原始来源核实。