Gemma 4 12Bモデルが公開

Google DeepMindは、画像・音声・テキストの統合入力に対応する最新のマルチモーダルオープンAIモデル「Gemma 4 12B」を公開しました。従来モデルと異なり、視覚や音声などの異なるモダリティの情報を直接大規模言語モデル（LLM）のバックボーンに入力する統一構造を採用しています。

1. 統一構造の採用による高効率化

「Gemma 4 12B」の最大の特徴は、従来のマルチモーダルAIで必要とされていたマルチモーダルエンコーダーを排除し、画像・音声・テキストの入力を直接統合して処理する統一構造を採用した点です。この新しい設計により、視覚や音声といったマルチモーダルな情報がLLMのバックボーンに直接届くようになり、メモリの使用量を抑えつつ、より高速な処理が可能となりました。

2. ノートPCでも動作する軽量設計

本モデルは、標準的なベンチマークにおいて上位モデルに近い優れた推論能力を誇ります。その一方で、16GBのRAMやVRAMを搭載した標準的なノートPCでも動作するよう軽量に設計されています。これにより、高度なマルチモーダル処理を手元の開発環境で容易に試すことが可能になります。なお、モデルはApache 2.0ライセンスのもとで提供され、Hugging Faceなどを通じて入手できます。

Gemma 4シリーズは、累計ダウンロード数が1億5000万を突破するなど、オープンモデルとして非常に大きなシェアを獲得しています。今回の「Gemma 4 12B」のリリースにより、マルチモーダルAIの統一アーキテクチャが民主化され、画像や音声を用いたアプリケーションの開発がパーソナルな開発環境でより身近になることが期待されます。