Gemma 4 12B Unified

Gemma 4 12B Unified ist das erste mittelgroße offene Modell, das Text, Bilder, Audio und Video nativ verarbeitet — ganz ohne separate Encoder. Statt CLIP- oder Audio-Encodern projiziert die encoder-freie Architektur rohe Bildpatches und Audiowellenformen über leichte Linear-Layer direkt in den Embedding-Raum eines einzigen Decoder-Transformers. Das senkt die Latenz multimodaler Anfragen deutlich und erlaubt Fine-Tuning des gesamten Modells in einem Durchgang.

Dazu kommen 256K Token Kontext und Unterstützung für über 140 Sprachen — auch auf Deutsch gehört Gemma traditionell zu den stärksten offenen Modellen seiner Größe. Die lokale Nutzung ist hervorragend: In Q4-Quantisierung genügen etwa 8-10 GB VRAM, das Modell läuft flüssig auf Laptops mit 16 GB Unified Memory, und die Tool-Unterstützung ist breit (Ollama gemma4, LM Studio, llama.cpp/GGUF u. a.

von Unsloth, vLLM, Jan). Die Gemma-Lizenz erlaubt kommerzielle Nutzung mit Googles Nutzungsbedingungen. Wer einen multimodalen Allrounder für lokale Assistenten, Bild-/Audioanalyse und agentische Workflows sucht, findet hier den aktuellen Preis-Leistungs-König.