
معرفی Gemma 4 12B: مدل چندوجهی یکپارچه بدون انکودر
گوگل دیپمایند مدل Gemma 4 12B را معرفی کرد که یک مدل چندوجهی یکپارچه بدون انکودر جداگانه است. این مدل پردازش متن و تصویر را در یک معماری واحد ادغام میکند و پیچیدگی استقرار را کاهش میدهد.
گوگل دیپمایند (Google DeepMind) در تاریخ ۹ ژوئن ۲۰۲۶ از مدل Gemma 4 12B رونمایی کرد. این مدل یک مدل چندوجهی (multimodal) یکپارچه است که برخلاف بسیاری از مدلهای رایج، برای پردازش تصویر به یک انکودر (encoder) جداگانه نیاز ندارد. به گفته این شرکت، حذف انکودر جداگانه باعث سادهسازی معماری و کاهش پیچیدگی استقرار مدل میشود. در معماریهای متداول چندوجهی، معمولاً از یک انکودر بینایی جداگانه برای تبدیل تصاویر به نشانههای قابل پردازش توسط مدل زبانی استفاده میشود. Gemma 4 12B با ادغام پردازش متن و تصویر در یک چارچوب واحد، این لایه واسط را حذف کرده و بدین ترتیب مسیر پردازش را کوتاهتر میکند. جزئیات فنی بیشتر درباره نحوه عملکرد این معماری یکپارچه در وبلاگ رسمی گوگل دیپمایند منتشر شده است. این مدل با ۱۲ میلیارد پارامتر، در خانواده مدلهای Gemma قرار میگیرد که گوگل آنها را با تمرکز بر دسترسیپذیری و کاربردهای پژوهشی و توسعهای عرضه میکند. هدف اعلامشده، ارائه قابلیتهای چندوجهی با نیاز کمتر به زیرساختهای پیچیده است. برای توسعهدهندگان ایرانی، حذف انکودر جداگانه میتواند به معنای کاهش بار محاسباتی و سادهتر شدن فرآیند استقرار مدل در محیطهای با منابع محدود باشد. همچنین معماری یکپارچه ممکن است فرصتهای جدیدی برای ساخت برنامههای چندوجهی محلی و کمهزینه فراهم کند. با این حال، عملکرد واقعی مدل در زبان فارسی و کیفیت پردازش تصویر همچنان نیازمند ارزیابی مستقل است. Gemma 4 12B در ادامه روند عرضه مدلهای باز خانواده Gemma منتشر شده است. گوگل دیپمایند اعلام کرده که اطلاعات بیشتر و دسترسی به مدل از طریق وبلاگ رسمی این سازمان در دسترس است.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




