Gemma 4 12B Unified

Gemma 4 12B Unified pojawiła się 23 maja 2026, dziesięć tygodni po reszcie rodziny, i jest architektonicznym eksperymentem tego wydania. Słowo Unified oznacza brak koderów: podczas gdy każda inna Gemma 4 przepuszcza obraz przez osobny koder wizyjny, a dźwięk przez koder dźwiękowy, zanim poda wynik modelowi językowemu, ta rzutuje surowe fragmenty obrazu i surowy przebieg dźwięku wprost w przestrzeń zanurzeń dekodera przez lekkie warstwy liniowe. Wszystko płynie potem przez jeden dekoder o 11,95 miliarda parametrów w 48 warstwach. Sens tej konstrukcji jest praktyczny. Usunięcie koderów skraca drogę od wejścia do odpowiedzi, czyli zmniejsza opóźnienie przy pracy z obrazem i dźwiękiem, a przy tym pozwala douczyć cały model za jednym razem, a nie po kawałku — to realna przewaga dla każdego, kto dostraja model do własnych zdjęć albo nagrań. Model zachowuje rodzinną uwagę hybrydową z oknem przesuwnym 1024 tokenów, słownik 262 tysięcy i pełne okno kontekstu 256 tysięcy tokenów. Zajmuje miejsce, którego nie wypełnia nic innego w rodzinie. E2B i E4B też przyjmują dźwięk, ale zatrzymują się na kontekście 128 tysięcy tokenów i są robione pod telefony; większe 26B A4B i 31B sięgają 256 tysięcy, ale dźwięku nie przyjmują wcale. Tylko ten model robi jedno i drugie. W zamian oddaje część surowej sprawności: 77,2 procent w MMLU Pro i 77,5 w AIME 2026 bez narzędzi wobec 85,2 i 89,2 dla 31B, oraz 43,4 procent w wyszukiwaniu informacji w kontekście 128 tysięcy tokenów wobec 66,4. W rozpoznawaniu mowy jest najlepszy z trzech dźwiękowych Gemm — 38,5 w teście CoVoST z wyłączeniem chińskiego. W odczycie z 25 sierpnia 2026 repozytorium wersji instrukcyjnej notuje 3,35 miliona pobrań w trzydzieści dni.

▸Wideo

Brak materiałów wideo.

▸Recenzje