Google、16GBで動く「Gemma 4 12B」発表

Googleは6月3日（米国時間）、オープンウェイト（モデルの内部情報であるパラメータを無償公開する形式）の新しいマルチモーダルAI（画像や音声など複数の種類のデータを処理できる人工知能）モデル「Gemma 4 12B」を発表しました。このモデルは、約120億パラメーターの中規模設計となっており、一般的なPCに搭載される16GBのVRAM（ビデオメモリ）またはユニファイドメモリー環境でローカル（ネットワークを介さず手元のPC上）実行することができます。ライセンスはApache 2.0が適用され、「Hugging Face」や「Kaggle」から学習済みおよび指示チューニング済みモデルが公開されており、開発者が容易に導入できる環境が整えられています。

1. エンコーダーを排除した統合アーキテクチャの採用

Gemma 4 12Bの最大の特徴は、従来のモデルに見られた画像や音声用の「独立した専用エンコーダー（データを特定の表現に変換するモジュール）」を排除し、ユニファイド（統合）アーキテクチャを採用した点にあります。視覚処理には3500万パラメーターの軽量な埋め込みモジュールを使用し、48×48ピクセルのパッチをLLM（大規模言語モデル）本体が処理できる内部表現へ変換します。また、音声に関しては16kHzの音声信号を40ミリ秒フレームに分割してLLMの入力空間に直接線形投影する仕組みを採ることで、レイテンシー（遅延時間）やメモリー使用量の抑制に成功しました。

2. 高いローカル応答性とエコシステム

先行してリリースされている上位モデル「Gemma 4 26B Mixture of Experts (MoE)（複数の専門モデルを切り替えて処理する仕組み）」と比較し、半分以下のメモリーフットプリント（メモリ占有量）でありながら、各種ベンチマークでそれに迫る性能を示しています。また、次に続く複数のトークン候補を先読みする「MTP (Multi-Token Prediction) ドラフター（推論の高速化を図る仕組み）」が標準で組み込まれており、メモリ帯域がボトルネックになりやすいローカル環境での応答速度を向上させます。

本モデルは、LM Studio、Ollama、vLLMなどの多数のフレームワークに対応するほか、エージェント開発を支援するための「公式スキルライブラリ（Gemma Skills）」もGitHubで公開されています。さらに、MacOS向けに「Google AI Edge Gallery」などのデスクトップアプリケーションがリリースされ、完全ローカルで音声や視覚的な対話が可能となりました。

Gemma 4 12Bの発表は、PCローカル環境での高性能マルチモーダルAIの普及を大きく後押しするものと見られます。ユニファイドアーキテクチャやMTPドラフターの実装により、ネットワーク遅延やセキュリティ懸念のないローカル環境で、音声や画像を用いた自律的なAIエージェントの構築が現実的になります。これは、個人開発者や機密データを扱うエンタープライズ（企業ユーザー）にとって極めて有益であり、従来のクラウド依存型モデルからの脱却や、ローカルAIアプリケーション市場のさらなる活性化につながると期待されます。