Gemma 4 12Bは、モバイルファーストの効率性と高度な推論能力を両立させたミッドサイズのマルチモーダルモデルです。16GBのVRAMやユニファイドメモリを搭載する一般的なノートパソコンでもローカル実行できるサイズに設計されています。エッジ向けのE4Bと、より大型の26Bミックス・オブ・エキスパートモデルの間を埋める位置づけで、強力な機能を抑えたメモリ容量にまとめています。シリーズとしては初めてネイティブのオーディオ入力を標準搭載しました。Gemma 4モデルは開発者コミュニティで累計1億5千万ダウンロードを超え、身体支援のウェアラブルロボットアームからエンタープライズグレードのAIセキュリティまで多様な活用事例が示されています。これにより、日常的なハードウェア上でのエージェント型体験の幅が広がります。
統一アーキテクチャでエンコーダ不要 視覚と音声を直接バックボーンへ
本モデルの特長は、視覚と音声の入力を別個のエンコーダに通さず、言語モデルのバックボーンに直接統合する設計です。従来の分割エンコーダは遅延とメモリ使用量を増やす要因でしたが、Gemma 4 12Bはこのボトルネックを解消します。ビジョンについては、単一の行列乗算と位置埋め込み、正規化から成る軽量な埋め込みモジュールに置き換え、視覚処理をバックボーン側で担います。音声についてはエンコーダを完全に外し、生の音声信号をテキストトークンと同じ次元空間に投影します。これにより、入力モダリティ間の橋渡しを同一の推論基盤で整合的に扱えます。設計の簡素化は、エッジ環境で重要なレイテンシ削減とメモリ効率の向上に直結します。
26Bに近い性能とMTPドラフター 16GB級ノートでエージェントを解放
Gemma 4 12Bは標準ベンチマークで26Bモデルに近い性能に到達しながら、総メモリ容量は半分以下とされています。16GBのRAMを搭載したノートパソコンでもローカル動作でき、強力な多段階推論やエージェント型ワークフローをマシン上で実現します。マルチトークン予測に対応するMTPドラフターを備え、応答遅延の低減にも配慮されています。これらの特性により、スピードと推論力を両立しつつ、日常的なハードウェアでマルチモーダル処理を高速に実行できます。オーディオ入力のネイティブ対応により、書き起こしや翻訳などを完全オフラインで行うデモも提示されています。ローカル運用に適した体験が強調されています。
オープンな提供形態と導入のステップ 実務での進め方
Gemma 4 12BはApache 2.0ライセンスで公開され、開発者エコシステムで広く活用できるように設計されています。導入はLM StudioやOllama、Google AI Edge Gallery App、Google AI Edge Eloquentアプリ、LiteRT-LM CLIから開始できる案内が示されています。事前訓練済みおよび指示に合わせたチェックポイントの配布先として、Hugging FaceとKaggleが挙げられています。統合のための開発者ドキュメントやクイックスタートノートブックも用意されています。ローカル推論にはHugging Face Transformers、llama.cpp、MLX、SGLang、vLLMが利用可能で、Unslothで効率的な微調整が可能とされています。クラウド展開はGoogle Cloudでエンドポイントを立ち上げ、Gemini Enterprise Agent Platform Model Garden、Cloud Run、GKEを用いる選択肢が示されています。
詳しくは「Google DeepMind」の公式ページまで。レポート／DXマガジン編集部
