**Google DeepMind 推出 Gemma 4 12B：统一的无编码器多模态模型**

_Introducing Gemma 4 12B: a unified, encoder-free multimodal model_

> Gemma 4 12B 是 Google DeepMind 推出的统一多模态模型，无需专用编码器，可直接处理图像、视频、音频和文本。基于 12B 参数的文本模型扩展，采用早融合技术，将原始像素、帧和波形直接投影为嵌入，并运用“任意到任意”注意力机制统一标记交互。模型支持 64K 上下文、44 种语言，在参数效率上表现优异，性能超越许多更大模型，适用于研究与商业用途。

**来源信息**
- **来源**：Google DeepMind：Blog（RSS）
- **分类**：ai-models
- **发布时间**：2026-06-09 14:10（北京时间）
- **原文**：[打开原文](https://deepmind.google/blog/introducing-gemma-4-12b-a-unified-encoder-free-multimodal-model)