Gemma 4 12B incorpora audio al impulso de IA local de Google

Google ha convertido su línea Gemma en una propuesta de IA en dispositivo más convincente. Gemma 4 12B es un modelo multimodal de 12 000 millones de parámetros que añade soporte de audio nativo, recorta la arquitectura habitual cargada de encoders y es lo bastante pequeño como para ejecutarse localmente en sistemas con 16 GB de VRAM o memoria unificada.

La apuesta es obvia: si un modelo puede funcionar en un portátil en lugar de en un clúster en la nube, se vuelve más barato, más rápido y mucho más privado. Google también está situando a Gemma en el incómodo punto intermedio entre el compacto E4B y un modelo MoE de 26 000 millones de parámetros, que es donde realmente ocurre gran parte del trabajo práctico de los desarrolladores.

Una arquitectura más ligera para entrada de imagen y audio

Google afirma que Gemma 4 12B prescinde de los encoders separados tradicionales para imágenes y audio. Para visión, la compañía reemplaza un encoder de visión completo por un módulo más ligero basado en transformaciones matriciales y codificación posicional; para audio, la señal en crudo se proyecta directamente en el espacio de tokens de texto en vez de pasar por un encoder dedicado.

Esa simplificación no es solo un alarde de ingeniería. Es la forma en que los creadores de modelos siguen recortando el uso de memoria mientras intentan preservar la capacidad, y refleja un movimiento más amplio de la industria hacia sistemas multimodales más eficientes en lugar de otros más grandes y hambrientos. La trampa, por supuesto, es que «más simple» solo importa si la calidad se mantiene fuera de la diapositiva de demostración.

Rendimiento sin el coste habitual de memoria

Google afirma que Gemma 4 12B se sitúa cerca de su modelo mucho más grande de 26 000 millones de parámetros en benchmarks estándar, mientras exige mucha menos memoria. Eso lo convierte en un candidato más realista para despliegues locales en hardware de consumo, donde 16 GB siguen siendo la línea que separa el «quizá» del «no va a pasar».

Recomendado

xAI demanda a un usuario de Grok por imágenes de abuso infantil

• Parámetros: 12 000 millones
• Soporte de audio: nativo
• Objetivo de hardware local: 16 GB de VRAM o memoria unificada
• Función de latencia: Predicción Multi-Token (MTP)

MTP está ahí para reducir los retrasos en la generación de texto, lo cual importa más de lo que parece una vez que se pide a un modelo que se comporte como un asistente en lugar de una demo de chatbot. Google también está orientando a Gemma hacia casos de uso agentivos, el término de moda para sistemas que en realidad pueden hacer más que responder a una petición y contentarse con ello.

La estrategia de modelos abiertos de Google sigue creciendo

La compañía dice que la familia Gemma ya ha superado los 150 millones de descargas, y que ese ecosistema de desarrolladores es el verdadero activo aquí. Los modelos abiertos no solo compiten en benchmarks; se difunden porque la gente puede remezclarlos en productos, desde proyectos de robótica vestible hasta herramientas de ciberseguridad, sin esperar a que un proveedor bendiga cada experimento.

Gemma 4 12B se lanza bajo Apache 2.0, lo que lo mantiene claramente en el campo de uso amplio y hace que el mensaje de prioridad local suene menos a floritura de marketing. La pregunta mayor es si los desarrolladores lo tratarán como una opción predeterminada práctica para aplicaciones multimodales, o simplemente como otro modelo capaz en un campo abarrotado donde Meta, OpenAI y una lista cada vez mayor de laboratorios más pequeños compiten por lo mismo y escaso: la atención en el dispositivo.