Google、エンコーダー不要の「Gemma 4 12B」公開：16GBのラップトップで軽快動作

Googleは、ラップトップ環境でエージェント型のマルチモーダル処理をローカル実行できるオープンソースモデル「Gemma 4 12B」を公開した。

端末向けの軽量版「E4B」と大規模な「26B MoE」の中間に位置するモデルで、この中規模クラスとしては同社初となるネイティブ音声入力を備える。なお、Gemma 4シリーズ全体のダウンロード数は累計で1億5000万回を突破している。

何ができるのか

Gemma 4 12Bは、画像認識、音声理解、そしてマルチステップの推論をこなすエージェント機能を、日常的なPCスペック上で動作させる。

標準的なベンチマークでは大型の26B MoEモデルに迫る性能を発揮しながら、総メモリ消費量はその半分以下に抑えられている。

必要なハードウェア要件は16GBのVRAMまたはユニファイドメモリだ。一般的なノートPCで完全なローカル推論が可能になる。さらに、推論時の遅延を削減するマルチトークン予測（MTP）ドラフターも標準搭載されている。

エンコーダーを全廃した仕組み

従来のマルチモーダルAIは、画像や音声を入力する際に専用のエンコーダーを介して特徴量を変換し、LLM本体に渡していた。この二重構造がメモリ圧迫と遅延の主因となっていた。

Gemma 4 12Bはこの独立したエンコーダーを完全に排除し、入力信号を直接LLMのバックボーンへ流し込むアーキテクチャを採用した。

視覚処理では、従来のエンコーダーを単一の行列乗算と位置埋め込み、正規化のみで構成される超軽量モジュールに置き換えた。画像処理の実作業はLLM本体が直接担当する。

音声処理はさらに簡略化されている。音声エンコーダーを一切使わず、生の音声信号をテキストトークンと同じ次元空間に直接射影する設計だ。

導入と動かし方

ライセンスは寛容なApache 2.0で、事前学習済みモデルおよび指示チューニング済みウェイトがHugging FaceやKaggleで公開されている。

手軽に試したい場合は、LM Studio、Ollama、Google AI Edge Galleryアプリ、あるいはLiteRT-LM CLIを使って数クリックで起動できる。

開発者向けには、llama.cpp、MLX、vLLM、SGLang、Hugging Face Transformersといった主要ランタイムを最初からサポートする。ファインチューニングにはUnslothが利用可能だ。また、エージェント開発を支援する公式の「Gemma Skills」リポジトリも提供される。

なぜ重要か

個人開発者やローカルAI運用者にとって、16GBのラップトップで実用的なマルチモーダルエージェントが動く意味は極めて大きい。これまで音声と画像を同時に扱うローカル環境は、複数モデルの組み合わせによるメモリ枯渇か、性能の妥協を強いられていた。

専用エンコーダーを捨てて言語モデル本体に統合するアプローチは、無駄なメモリ消費を削ぎ落とす極めて合理的な判断だと評価できる。今後はオープンソース界隈全体で、エンコーダーレスな設計への移行が加速する可能性が高い。