Google DeepMindは2026年6月9日、オープンウェイトモデル「Gemma 4 12B」を発表した。最大の技術的特徴は「エンコーダーなし（encoder-free）」設計だ。ビジョンとオーディオの入力をLLMのバックボーンに直接流し込む構成で、従来のマルチモーダルモデルが持つ別途のエンコーダーモジュールを排除している。
性能面では、より大型の26Bモデルに近いベンチマーク結果を達成しており、12Bというパラメータ規模に対してエンジニアリング的な効率化が施されている。多段階推論やエージェント的なワークフローにも対応可能な設計だ。消費者向けのノートパソコンで16GBのVRAMまたはユニファイドメモリがあれば動作するため、クラウドを使わずローカルで実行できる。
ビジョン処理では軽量な埋め込みモジュール（単一の行列乗算と正規化のみ）、オーディオ処理ではエンコーダーを完全に省略して生のオーディオ信号をテキストトークンと同じ次元空間に投影するという設計は、モデルをシンプルに保ちながらマルチモーダルを実現しようという方向性を示している。Apache 2.0ライセンスで公開されており、商用利用も自由に行える。
4月に発表されたGemma 4（4サイズ展開）に続く新展開で、12Bという新サイズはハイエンドのローカルマシンとクラウドAPIの中間を狙ったポジションだ。ローカルでのマルチモーダルAI利用を加速させるモデルとして、研究者・開発者の活用が広がることが期待される。
