Google predstavlja Gemma 4 12B multimodalni model
Novi kompaktni model donosi naprednu inteligenciju na vaša računala
Google je danas najavio Gemma 4 12B, svoj najnoviji model dizajniran kako bi donio agentne multimodalne mogućnosti izravno na prijenosna računala. Smješten između manjeg E4B modela i naprednijeg 26B modela, Gemma 4 12B pakira snažne sposobnosti unutar značajno manjeg memorijskog otiska i prvi je model srednje veličine s izvornom podrškom za audio unos.
Ključni detalji
Gemma 4 12B nudi performanse koje su na standardnim mjerenjima blizu onima većeg 26B MoE modela, ali uz manje od pola ukupne potrošnje memorije. Dovoljno je mali da se može lokalno izvoditi na potrošačkim prijenosnim računalima s 16 GB radne memorije. Time otključava snažna multimodalna i agentna iskustva izravno na vašem stroju, bez potrebe za obradom u oblaku.
Zahvaljujući zajednici razvojnih inženjera, Gemma 4 modeli sada su premašili brojku od 150 milijuna preuzimanja, a koriste se za izgradnju raznolikih rješenja, od robotskih ruku do korporativne sigurnosti umjetne inteligencije.
Zašto je to važno
Lokalno izvođenje snažnih multimodalnih modela ključno je za privatnost korisnika, smanjenje latencije i širu dostupnost napredne umjetne inteligencije. Model koji se oslanja isključivo na hardver vašeg uređaja znači da se osjetljivi podaci, uključujući audio i vizualne unose, ne moraju slati na vanjske poslužitelje, dok su odgovori i akcije agenta znatno brži.
Tehnička pozadina
Ono po čemu se Gemma 4 12B posebno ističe jest njegov pojednostavljeni pristup obradi vizualnih i audio unosa.
- Tradicionalni multimodalni modeli obično se oslanjaju na zasebne enkodere za prevođenje slike i zvuka prije nego što te reprezentacije proslijede jezičnom modelu.
- Budući da ti odvojeni enkoderi dodaju latenciju i povećavaju potrošnju memorije, Google je trenirao Gemma 4 12B koristeći arhitekturu bez enkodera.
- Ova arhitektura omogućuje izravnu integraciju audio i vizualnog unosa, što značajno poboljšava učinkovitost i brzinu obrade.
Širi kontekst
Sve veći fokus tehnoloških divova na manje, visoko učinkovite modele označava prelazak fokusa s gigantskih, preskupih sustava na praktična i dostupna rješenja. Modeli poput Gemma 4 12B pokazuju da napredna rasuđivanja i multimodalnost više nisu ekskluziva zatvorenih sustava i masivnih podatkovnih centara, već postaju standardni dio svakodnevnog hardvera. To će ubrzati razvoj lokalnih AI agenata koji mogu vidjeti, čuti i reagirati u stvarnom vremenu.
Što slijedi
Očekuje se da će integracija ovog modela u brojne alate i aplikacije potaknuti novi val inovacija među razvojnim inženjerima i istraživačima. Za sve one koji žele detaljnije proučiti kako model funkcionira i kako ga integrirati, Google je pripremio poseban vodič za razvojne inženjere posvećen Gemma 4 12B.
Izvor: DeepMind Blog Objavljeno na portalu Umjetna Inteligencija Blog by ShtefAI, autor: Shtef
