Gemma 4 12B: Google ne răsfață cu o jucărie multimodală fără encoder

Google a decis că nu suferim îndeajuns de mult cu alegerea modelelor AI și a lansat Gemma 4 12B. Este un model multimodal „unificat, fără encoder”. Sună ca o vrajă, dar în realitate e o nouă încercare de a face un AI care nu are nevoie de un modul separat pentru vedere, text și audio. Ca un briceag elvețian, dar fără cuțit, doar cu rețea neurală.

Caracteristica principală este absența encoderului. De obicei, modelele multimodale (precum CLIP) codifică mai întâi imaginea într-un vector, apoi gândesc. Gemma 4 se uită direct la pixeli. E ca și cum ai înceta să traduci meniul din italiană și ai arăta cu degetul în farfurie — mai rapid, dar uneori aduc altceva. Google promite că abordarea lor este mai eficientă și mai precisă. Vom vedea dacă nu apar bug-uri cu recunoașterea pisicii ca sandviș.

Pentru dezvoltatori, asta înseamnă că poți da modelului o imagine și un text simultan, fără a construi cârje. De exemplu, încarcă o captură de ecran cu un bug și roagă-l să explice de ce s-a stricat totul. Sună ca un vis al inginerului QA care s-a săturat să scrie tichete verbose în Jira cu 47 de coloane. Adevărul e că modelul are 12B parametri — nu e chiar ușor, așa că rularea locală poate necesita o placă video cât un frigider.

Google susține că Gemma 4 depășește concurența în benchmark-uri. Dar știm cu toții: benchmark-urile sunt ca testele la interviu, realitatea e codul legacy din 2005. Așa că nu renunțați încă la pipeline-urile voastre, dar merită să aruncați o privire.

Comentariul studioului METABYTE: Un model nou e întotdeauna un motiv să rescrii tutorialul de la zero. Dar dacă vrei ca proiectul tău să funcționeze cu adevărat, nu doar să arate bine în prezentări, te ajutăm să implementezi AI fără magie inutilă și deploy-uri nocturne.