谷歌 Gemma 4 12B 发布，以无编码器架构实现端侧多模态

谷歌发布 Gemma 4 12B，一款 120 亿参数的端侧多模态模型，采用统一的无编码器架构，将多模态数据直接输入 LLM，省去独立的视觉与音频编码器。其视觉嵌入器仅 3500 万参数，取代了其他中型 Gemma 4 模型使用的 27 层视觉 Transformer，音频则直接将 16 kHz 波形切分为 40 毫秒帧后线性投影进 LLM 输入空间。