Gemma 4 12B u siebie: Google pcha AI na laptopy i telefony

Google DeepMind przestało prosić użytkowników o cierpliwość i stałe połączenie z serwerami w Mountain View. Najnowszy model Gemma 4 12B ląduje bezpośrednio na dyskach twardych, rzucając wyzwanie barierom sprzętowym. To jednostka, która zamiast pożerać zasoby wielkich centrów danych, zadowoli się 16 GB pamięci RAM w standardowym laptopie, zachowując przy tym pełną multimodalność.

Dlaczego to ważne właśnie teraz? Premiera Gemma 4 to sygnał, że Google agresywnie przechodzi do strategii „edge‑first”. Firma chce, aby to lokalne urządzenia, od telefonów po Raspberry Pi, stały się fundamentem dla tzw. agentów AI, którzy działają bez opóźnień i bez wysyłania prywatnych danych do chmury. Udostępnienie modelu na otwartej licencji Apache 2.0 oznacza, że deweloperzy mogą bez przeszkód wbudowywać te funkcje w komercyjne aplikacje.

Wielozadaniowość bez kompromisów

Inżynierowie zdołali upchnąć możliwości znane z flagowych systemów w architekturze, która nie dławi się na domowym sprzęcie. Jak twierdzi Google DeepMind, „Gemma 4 to nasza najbardziej inteligentna rodzina otwartych modeli, zbudowana z myślą o zaawansowanym rozumowaniu i procesach agentowych”. Zamiast prostego czatu, użytkownik otrzymuje narzędzie zdolne do obsługi okna kontekstowego o rozmiarze do 256 tysięcy tokenów, co pozwala na analizę całych książek lub kompleksowych dokumentacji technicznych w jednym zapytaniu.

Natywna obsługa multimediów

Kluczem do wydajności Gemma 4 12B jest jej natywna architektura. W przeciwieństwie do systemów, które posiłkują się zewnętrznymi koderami, nowy model Google przetwarza tekst, obraz i dźwięk w ramach jednej, spójnej struktury. Takie podejście drastycznie redukuje opóźnienia – mowa o dążeniu do poziomu „near-zero latency”. Model nie tylko generuje kod czy rozpoznaje mowę w ponad 140 językach, ale potrafi również analizować wideo klatka po klatce wraz ze ścieżką audio, co przetestowano m.in. na pięciominutowych nagraniach z konferencji Google I/O.

Efektywność mniejszej skali

Mimo 12 miliardów parametrów, jednostka ta deklasuje starszą generację Gemma 3 27B i idzie łeb w łeb z modelami niemal dwukrotnie większymi w benchmarkach GPQA Diamond czy MMLU Pro. To efekt wykorzystania tych samych fundamentów badawczych, które napędzają Gemini 3. Hugging Face oraz Kaggle już udostępniają gotowe wagi, umożliwiając uruchomienie modelu przez narzędzia takie jak LM Studio czy Ollama. Dla branży to jasny komunikat: era, w której potężne AI było więźniem chmury, właśnie się kończy.