當 Google 把多模態編碼器一刀切掉：Gemma 4 12B 六月三日開源、十六 GB 筆電可跑、首推原生音訊，亞洲端側 AI 採購單第三次被改寫

當 Google 把多模態編碼器一刀切掉：Gemma 4 12B 六月三日開源、十六 GB 筆電可跑、首推原生音訊，亞洲端側 AI 採購單第三次被改寫

六月三日凌晨，Google DeepMind 把 Gemma 4 12B 直接掛上 Hugging Face，附帶一份 Apache 2.0 授權與一條足以讓人重新打開筆電的 README——120 億參數、16 GB VRAM 可跑、文字、影像、影片與「原生音訊」同框輸入。對亞洲端側 AI 的採購地圖而言，這是繼五月底 Liquid AI 把 8B MoE 塞進筆電、上週 Qualcomm 把 AI 筆電打回三百美元之後，第三次被改寫的同一張表。但這一次，改寫的不是價格，而是「該怎麼設計一個多模態模型」這件事本身。

理解這一次發佈，得先看 Google 端出來的那個冷僻名詞——「unified, encoder-free」。過去每一代中尺寸的 Gemma，無論是 Gemma 3 還是 Gemma 3 270M，凡是要處理影像或音訊，都得先過一段 Transformer 編碼器：視覺要 ViT，音訊要 Whisper 一類的前置模組，跑完之後再把那堆向量送進 LLM 主幹。這套兩段式架構的代價，是延遲、是額外參數、是訓練資料分流，也是工程師必須維護兩條 fine-tune 流程。Gemma 4 12B 把這條走了三年的路斷在路口：原始的影像 patch 與音訊波形透過幾層輕量線性投影，直接投進 LLM 主幹的 embedding 空間，整個模型回到一個 decoder-only 的單一管線。Google 在發佈文中只給了一個小細節說明這個變化的份量——35M 參數的視覺嵌入層，配上原始波形的直接投影，足以讓整套多模態系統在 16 GB VRAM 內跑完一輪推理。