Gemma 4 12B: Google снова балует нас игрушкой без энкодера, но с глазами

Google решила, что мы недостаточно страдаем от выбора AI-моделей, и выпустила Gemma 4 12B. Это «унифицированная, без энкодера» мультимодальная модель. Звучит как заклинание, но на деле — очередная попытка сделать ИИ, который не требует отдельного модуля для зрения, текста и аудио. Типа швейцарский нож, только без ножа, но с нейросетью.

Главная фишка — отсутствие энкодера. Обычно мультимодальные модели (типа CLIP) сначала кодируют картинку в вектор, а потом уже думают. Gemma 4 берет и смотрит на пиксели напрямую. Это как если бы вы перестали переводить меню с итальянского и просто тыкали пальцем в блюдо — быстрее, но иногда приносят не то. Google обещает, что их подход эффективнее и точнее. Посмотрим, не вылезут ли баги с распознаванием кота как сэндвича.

Для разработчиков это значит, что можно скормить модели картинку и текст одновременно, не городив костыли. Например, загрузить скриншот бага и попросить объяснить, почему всё сломалось. Звучит как мечта QA-инженера, который устал писать многословные тикеты в Jira на 47 столбцов. Правда, модель пока 12B параметров — не самая легкая, так что локальный запуск может потребовать видеокарту размером с холодильник.

Google утверждает, что Gemma 4 превосходит аналоги по бенчмаркам. Но мы-то знаем: бенчмарки — это как тесты на собеседовании, а реальность — легаси-код 2005 года. Так что пока рано выбрасывать свои пайплайны, но присмотреться стоит.

Комментарий студии METABYTE: Новая модель — это всегда повод переписать туториал с нуля. Но если вы хотите, чтобы ваш проект реально работал, а не просто красиво выглядел на презентации, мы поможем внедрить AI без лишней магии и ночных деплоев.