Google a lancé Gemma 4 12B, un modèle multimodal unifié qui élimine les encodeurs traditionnels pour traiter directement les données visuelles et audio. Il ne nécessite que 16 Go de mémoire vidéo (VRAM) pour un déploiement local sur du matériel grand public. Grâce à des couches d'encodage légères, il réduit la complexité de calcul tout en se rapprochant des performances du modèle MoE 26B. Disponible en open source sous licence Apache 2.0, il prend en charge plusieurs frameworks d'inférence et le déploiement en périphérie, avec plus de 150 millions de téléchargements.