Gemma 4 12B؛ چندوجهی بومی در ۱۶ گیگابایت

گوگل در ۳ ژوئن ۲۰۲۶، برابر با ۱۳ خرداد ۱۴۰۵ Gemma 4 12B را برای فاصله میان E4B لبه و مدل بزرگ‌تر 26B معرفی کرد. اعلام رسمی مدلی را شرح می‌دهد که در ۱۶ گیگابایت VRAM یا حافظه یکپارچه جا می‌شود و متن، تصویر و صوت را بدون رمزگذار چندوجهی جدا پردازش می‌کند. مجوز Apache 2.0 است.

خانواده Gemma 4 در آوریل آغاز شده بود، ولی 12B چک‌پوینت تازه داخل بازه است. اهمیت آن در آوردن چندوجهی محلی به محدوده لپ‌تاپ است. گوگل می‌گوید توان استدلال به مدل 26B نزدیک است، اما مقاله عرضه جدول عددی کامل و خوانای ماشین ندارد. این نبود داده باید صریح بماند؛ از ارتفاع نمودار عدد نمی‌سازیم و کارت مدل را با آزمون محلی تکمیل می‌کنیم.

تفاوت چک‌پوینت 12B

این نخستین مدل میانی Gemma 4 با ورودی صوت بومی است. تصویر با یک ماژول embedding سبک شامل ضرب ماتریسی، موقعیت و نرمال‌سازی وارد ستون فقرات می‌شود. صوت خام نیز به فضای ابعادی متن نگاشت می‌شود و رمزگذار مستقل ندارد.

طراحی یکپارچه می‌تواند حافظه تکراری و مرز نسخه را کم کند و تعامل متن، صدا و تصویر را نزدیک نگه دارد. در مقابل، مدل تخصصی ممکن است در OCR یا تشخیص گفتار بهتر باشد. مزیت اصلی یک سامانه قابل حمل واحد است.

مدل drafter پیش‌بینی چندتوکنی نیز دارد. چند توکن آینده پیشنهاد می‌شوند و در صورت پذیرش مدل اصلی سرعت افزایش می‌یابد. نرخ پذیرش، موتور، ورودی و سخت‌افزار تعیین می‌کنند این امکان چقدر واقعی است.

رکورد عملکرد منتشرشده

ادعاهای انتشار از برخی مدل‌های این مجموعه عدد کمتر دارند:

این جدول از دقت ساختگی جلوگیری می‌کند. اگر مقدار و تنظیم نمودار در متن در دسترس نیست، برآورد بصری معتبر نیست. کارت رسمی چک‌پوینت محل بررسی جدول تازه و قالب پیام است.

چرا ۱۶ گیگابایت مهم است

۱۶ گیگابایت در لپ‌تاپ و ایستگاه کاری سطح بالا رایج است. مدل قابل اجرا می‌تواند آفلاین بماند، رسانه حساس را محلی نگه دارد و هزینه هر فراخوانی نداشته باشد. پژوهشگر نیز بدون رزرو چند GPU نمونه می‌سازد.

«جا شدن» سرعت را نمی‌گوید. کوانتیزه، زمینه، اندازه تصویر، مدت صوت، دسته و موتور بر حافظه اثر دارند. حافظه یکپارچه ممکن است از VRAM کندتر باشد. محصول تعاملی به زمان توکن اول و تولید پایدار مناسب نیاز دارد.

روی دستگاه دقیق هدف آزمایش کنید: Apple silicon، لپ‌تاپ RTX یا ایستگاه. بارگذاری سرد، اوج حافظه، prefill، decode، انرژی و کیفیت هر دقت را ثبت کنید. راهنمای حریم خصوصی هوش روی دستگاه نشان می‌دهد حرارت و به‌روزرسانی نیز معیار محصول‌اند.

تصویر و صوت بومی؛ خط لوله ساده‌تر

پشته معمول چندوجهی رمزگذار، آداپتور، مدل زبان و پیش‌پردازش جدا دارد. هر مرز جابه‌جایی حافظه و ناسازگاری نسخه ایجاد می‌کند. ستون فقرات Gemma این پیچیدگی را کاهش می‌دهد.

تخصص هزینه این سادگی است. ASR به زمان، تفکیک گوینده، نویز و آواشناسی نیاز دارد. بینایی به متن ریز و موقعیت دقیق. مدل عمومی برای فهم کافی است، ولی ممکن است جزء اختصاصی برای رونویسی یا OCR لازم بماند.

وظیفه محصول را بسنجید. دستیار جلسه نیازمند نرخ خطای واژه، گوینده و استناد خلاصه است. سند نیازمند فیلد و ناحیه. عامل بصری نیازمند grounding و مقاومت در تزریق دستور است.

عامل محلی و ریسک تجمعی

گوگل مدل را برای عامل محلی و استدلال چندمرحله‌ای جای‌گذاری می‌کند. مدل می‌تواند فایل را بدون ارسال بیرونی ببیند و ابزار را با هزینه پس‌زمینه کمتر اجرا کند.

نزدیکی به 26B امیدوارکننده است، اما عامل بلند خطا را انباشته می‌کند. یک ابزار اشتباه مسیر بعدی را خراب می‌کند. طرح ابزار، مجوز، اعتبارسنج و checkpoint ضروری‌اند. مدل دارای میکروفون، تصویر و فایل باید کمترین دسترسی را داشته باشد.

مقایسه باید مدل ابری قوی، Gemma 26B و مدل تخصصی کوچک را شامل شود. وظیفه پذیرفته‌شده بر ژول و زمان بازبین مهم‌تر از دقت مجرد است. مدل محلی ضعیف‌تر می‌تواند مرحله خصوصی نخست و مسیر escalation باشد.

عملیات Apache 2.0

مجوز امکان خودمیزبانی تجاری و تغییر را می‌دهد. سازمان می‌تواند نسخه را ثابت، داده را داخل دستگاه و تنظیم حوزه را محلی نگه دارد. این مزیت به حکمرانی artifact نیاز دارد.

revision، هش، توکنایزر، قالب، کوانتیزه و runtime را ثبت کنید. وابستگی و فایل را اسکن و اجرای remote code را محدود کنید. بعد از fine-tune همه رگرسیون‌ها را تکرار کنید. راهنمای عملیات مدل باز زنجیره انتشار را ارائه می‌کند.

وزن برنامه نگهداشت نیست. ناوگان محلی به به‌روزرسانی امن، بازگشت، تله‌متری با رضایت و پاسخ رخداد مدل نیاز دارد.

روش معیار و حکم

مجموعه‌ای از متن، نمودار، عکس، سند اسکن، صوت کوتاه و بلند، ورودی ترکیبی و ابزار بسازید. پردازش بومی را با مسیر رمزگذار جدا و ورودی ثابت مقایسه کنید. برای صوت لهجه، نویز و فارسی؛ برای تصویر سند RTL و متن ریز را اضافه کنید.

کیفیت، حافظه، تأخیر، انرژی و شدت شکست را ثبت کنید. drafter را روشن و خاموش و نرخ پذیرش را گزارش دهید. امکان نظری بدون پشتیبانی موتور سودی ندارد.

Gemma 4 12B برای دستیار خصوصی، جست‌وجوی چندرسانه آفلاین، سند محلی و نمونه‌سازی مناسب است؛ اما بهترین OCR یا استدلال مرزی فرض نمی‌شود. این انتشار مرز محلی را جابه‌جا می‌کند و داستان معیار آن عمداً محتاط است: ادعای نسبی گوگل با کارت و آزمون واقعی کامل می‌شود.

در محصول مصرفی، رضایت کاربر برای میکروفون، دوربین و تله‌متری باید جدا و قابل لغو باشد. پردازش محلی مزیت حریم خصوصی است، ولی اگر فایل خام یا log به ابر ارسال شود این مزیت از بین می‌رود. نقشه جریان داده باید رفتار واقعی برنامه را نشان دهد.

یادداشت منابع — بازبینی ۲۰۲۶

• اعلام Gemma 4 12B گوگل تاریخ، معماری، مجوز، ۱۶GB و ادعای نسبی را ارائه می‌کند.
• چک‌پوینت رسمی instruction کارت و منبع وزن است.
• مستند Gemma runtime، پیام و استقرار را توضیح می‌دهد.
• مخزن رسمی Gemma کد مرجع و تبار مدل را ارائه می‌کند.
• Google AI Edge زیست‌بوم استقرار محلی اشاره‌شده را مستند می‌کند.