Google выпустила Gemma 4 12B с единой архитектурой - аудио и видео без энкодеров на обычном ноутбуке

Пока все гонятся за гигантскими моделями с миллионами долларов вычислительных мощностей, Google тихо выпустила Gemma 4 12B - open weights модель, которая умеет обрабатывать аудио, видео и текст прямо на обычном ноутбуке. Без интернета, без API, без отправки данных в облако. Просто скачал и запустил. Это одна из тех новостей нейросетей, которая меняет правила игры для тех, кто думает о приватности данных и стоимости инфраструктуры.

Что такое Gemma 4 12B

11,95 миллиарда параметров, Apache 2.0 лицензия, 16 ГБ видеопамяти - и модель работает. Это не абстрактный proof-of-concept, а готовый к продакшену инструмент, доступный на Hugging Face, Kaggle и Google AI Edge Gallery прямо сейчас.

Главная фишка - архитектура без внешних энкодеров. Обычно мультимодальные модели используют отдельные блоки для обработки аудио и видео. Gemma 4 12B отправляет сырые аудиоволны и визуальные патчи прямо в языковое ядро через лёгкие линейные слои. Аудиоэнкодер удалён полностью, а визуальный - это всего 35 миллионов параметров с одной матричной операцией. Результат: ниже задержка, меньше потребление памяти, и всю модель можно дообучать за один проход.

Что это значит для бизнеса

Три сценария, где Gemma 4 12B меняет экономику.

Первый - строгие требования к конфиденциальности. Медицина, финансы, оборонка, юридические конторы - сектора, где отправка данных в API облачных моделей просто невозможна. С этой моделью можно обрабатывать чувствительную мультимодальную информацию прямо на устройстве сотрудника. Никакой утечки, никакого комплаенс-риска.

Второй - автономные AI-агенты. Модель поддерживает нативный вызов функций (function calling), системные промпты и инструменты. Google выпустила отдельный Gemma Skills Repository для агентных сценариев. Если вы строите ассистентов, которые работают с реальными входами - аудио с микрофона, скриншотами интерфейсов, кодом из IDE - эта модель подходит как движок рассуждений.

Третий - edge-развёртывание. Розничные камеры для учёта товаров, киоски самообслуживания без интернета, полевые приложения для удалённых локаций. Облачное подключение дорогое и ненадёжное - локальная модель снимает оба вопроса.

Gemma 4 12B - это не замена гигантским дата-центровым моделям. Это инструмент для тех сценариев, где облако не подходит: приватность, офлайн, стоимость. И для многих бизнесов именно эти сценарии - самые критичные.

Границы, которые стоит знать

Модель не идеальна. Есть ограничения, которые важно понимать до внедрения.

Аудио - максимум 30 секунд. Если вам нужно расшифровать двухчасовое собрание - придётся резать на чанки. Видео - до 60 секунд с обработкой одного кадра в секунду. Полнометражные фильмы или долгие видеоархивы через неё не прогнать.

По общим знаниям модель уступает более крупным аналогам. Gemma 4 12B - это движок рассуждений, а не энциклопедия. Для генеральных фактологических запросов лучше использовать RAG-пайплайн поверх неё.

Но если смотреть на задачу локального мультимодального AI - это, пожалуй, самый сильный open-source вариант на сегодня. Интеграция с vLLM, SGLang, MLX и llama.cpp означает, что модель не заперта в экосистеме Google. Её можно запустить где угодно.

Что в итоге

Gemma 4 12B - редкий случай, когда open-source модель догоняет по качеству закрытые аналоги, но при этом работает на обычном железе и не требует облачной подписки. Для бизнеса, который задумывается о внедрении искусственного интеллекта на своих данных и на своих серверах - это повод внимательно посмотреть в сторону семейства Gemma.

Пока весь рынок смотрит на GPT-5.5 и Claude Opus 4, Google напомнила: иногда лучшая модель - не самая большая, а та, которая работает там, где вам нужно. Без подключения к интернету. На вашем ноутбуке. Бесплатно.