# Gemma 4 12B：开发者指南

- 来源：Google Developers Blog（RSS）
- 发布时间：2026-06-03 00:00
- AIHOT 分数：78
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.news/items/cmpy9ex3402zdslaxi9ohndfc
- 原文链接：https://developers.googleblog.com/gemma-4-12b-the-developer-guide

## 精选理由

Google 把多模态模型直接塞进消费级设备，靠的不再是缩水而是架构层面的创新。12B 放在本地跑，这次玩法变了。

## AI 摘要

Gemma 4 12B 是一款密集多模态模型，专为消费级设备上的高性能本地 AI 执行而设计。其采用新颖的无编码器架构，绕过传统视觉和音频编码器，将多模态数据直接输入大语言模型主干。

## 正文

继我们在发布博客中的公告之后，我们正式发布Gemma 4 12B，这是一个采用统一、无编码器架构的稠密多模态模型。

Gemma 4 12B 为本地 AI 带来了多项里程碑：

无编码器的多模态架构：完全绕开繁重的多阶段视觉和音频编码器，多模态数据直接输入 LLM 主干，从而降低多模态延迟。

我们首个支持音频输入的中等规模模型：在 Gemma 家族中，音频输入此前仅限于小型、轻量级的边缘架构（例如 E4B）。Gemma 4 12B 是首个能够原生接收音频的中等规模模型。

对开发者友好的尺寸：小到足以在配备 16GB VRAM 或统一内存的独立 GPU 笔记本上本地运行。为最大化本地推理速度，我们还额外发布了一个专用的多 token 预测（MTP）模型。

全新的 MacOS 桌面体验：我们首次发布可下载的 macOS 桌面应用程序，让开发者能够直接在消费级设备上体验完全本地的语音和视觉交互。

架构

传统多模态模型依赖冻结的、彼此独立的视觉编码器（例如 Gemma 4 在边缘尺寸上使用 150M 参数的视觉模型，在中等尺寸模型上使用 550M 参数）和音频编码器（Gemma 4 E2B 和 E4B 为 300M 参数）。在将多模态输入送入 LLM 之前，先用多个独立编码器进行处理，会导致延迟增加和内存占用碎片化。

Gemma 4 12B 通过采用单一的纯解码器 Transformer 解决了这些问题，其包含与 Gemma 4 31B Dense 模型相同的高级解码器结构。

视觉嵌入器（35M 参数）：取代了其他中等尺寸 Gemma 4 模型中的 27 层视觉 Transformer。原始 48x48 像素图块通过单次 matmul 投影到 LLM 隐藏维度。因子化坐标查找（X 和 Y 矩阵）将空间位置信息直接附加到输入上。

音频波形投影：消除了独立的音频编码器（跳过了 Gemma 4 E2B 和 E4B 中使用的 12 层 conformer）。原始 16 kHz 音频信号被切分为 40ms 帧（每帧 640 个浮点数），并线性投影到 LLM 输入空间。

统一微调优势：由于视觉、音频和文本输入共享完全相同的权重，你不再需要协同调优彼此独立的冻结编码器。下游适配器（例如 LoRA）或全量微调会在单次前向传播中自然地更新整个多模态 token 循环（通过 Hugging Face 或 Unsloth）。

如需更深入地了解这种无编码器架构的工作原理，请查看 Gemma 4 12B 可视化指南。

能力

Gemma 4 12B 实现了出色的性能，具备自动语音识别、智能体推理、说话人分离、视频理解、编码等多项能力。

请参阅以下示例，了解该模型智能体与多模态能力的演示：

示例 1：Gemma 4 12B 创建一个使用 Gemma 4 12B 的本地图像处理应用

得益于其智能体与多模态理解能力，Gemma 4 12B 可以轻松与 OpenCode 等现有智能体框架配合使用。在此示例中，我们使用 llama.cpp 在本地部署了它，并借助 gemma-skills 编写了一个 Gradio 应用，帮助用户处理图像。这个应用正是由构建它的同一个 Gemma 4 12B 模型驱动的！

示例 2：以 1 FPS 处理 5 分钟带音频的视频

我们使用 Gemma 4 12B 分析了 5 月 19 日 Google IO 主题演讲时刻 中的一部分，具体是 00:15:32 到 00:20:45 之间的 5 分钟。为此，我们提取了该片段的所有帧（以 1 FPS），以及视频中的提示词和音频：

提示词：

313 帧（1FPS，图像缩放至 视觉 token 预算 70）

"what happens when the man takes a selfie?"

视频的音频 + 下方提示词

在这些演示视频中，当这名男子"自拍"或画面显示他把智能手机举在脸前时，这是一种巧妙的视觉化表达方式，用来直观呈现 AI 模型如何拿现有的媒体素材——比如一张个人照片或一段视频片段——对其进行"重新构想"。在这些具体的片段中，模型以一张自拍为基础，生成各种场景（比如身处空间站的人，或穿行于森林中的人）。

本质上，这名男子并不是真的在自拍；更确切地说，他是在**用表演呈现一个视觉隐喻，象征 AI 能够以某一特定输入（一张"自拍"）为基础，生成一整个全新的内容世界。** 这是 Gemini Omni 模型"Swap"和"Build worlds"演示的一部分，展示了它执行复杂多模态推理与创意生成的能力。

端侧与桌面端服务：由 LiteRT-LM 驱动

配合 Gemma 4 12B 的发布，我们正式推出由 LiteRT-LM 驱动的强大端侧开发者集成，将零延迟的本地 AI 执行能力原生带入标准桌面环境：

1. 原生 MacOS 应用：移动端 Google AI Edge Gallery 正式扩展到桌面平台，在 Apple Silicon GPU 上原生离线运行 Gemma 4 12B。它配备了一个安全的沙箱化 Python 执行循环，可在聊天气泡内编写、执行并绘制科学图表。与此同时，Mac 上的 Google AI Edge Eloquent 应用开始支持 Gemma 12B，为 Voice Edit 对话式输入提供支持。

2. 即插即用的本地 API 服务器（litert-lm serve）：使用新的 litert-lm serve CLI 命令。将 Gemma 4 12B 作为本地、兼容 OpenAI 的 API 服务器运行。无缝接入标准集成（例如 Continue、Aider、OpenClaw、Hermes 或 OpenCode），利用内存中的无状态前缀缓存来匹配上下文历史，并即时绕过预填充延迟。

litert-lm import --from-huggingface-repo=litert-community/gemma-4-12B-it-litert-lm gemma-4-12B-it.litertlm gemma4-12b

# Start the OpenAI-compatible server litert-lm serve

在 Google AI Edge Gallery 博客上可找到关于它的深度解析。

即刻开始

准备好用 Gemma 家族首个无编码器架构构建本地多模态智能体了吗？以下是你可以立即上手的方式

亲自试一试：在 LM Studio、Ollama、Google AI Edge Gallery App、Google AI Edge Eloquent 应用以及 LiteRT-LM CLI 中，只需点击几下即可上手体验。

下载权重：直接从 Hugging Face 和 Kaggle 下载预训练和指令微调的 checkpoint。

集成与学习：查阅开发者文档和快速入门 notebook。

使用你喜爱的开发工具：用 Hugging Face Transformers、llama.cpp、MLX、SGLang 和 vLLM 实现本地推理流水线，或使用 Unsloth 高效地进行微调。

用 Gemma Skills 解锁智能体开发：为支持智能体基于最新的 Gemma 进展进行构建，我们发布了官方技能仓库。这是一个专为让智能体能够使用 Gemma 模型进行构建而设计的技能库。

按你的方式部署： 使用 Google Cloud 在生产环境中启动端点。通过 Gemini Enterprise Agent Platform Model Garden、Cloud Run 和 GKE，按你的方式部署。

AI

公告

探索

多模态

Gemma

AI