Google DeepMindは6月3日（現地時間）、最新のマルチモーダルAIモデル「Gemma 4 12B」を公開した。
Gemma 4 12Bは、画像・音声・テキストの統合入力に対応し、従来必要だったマルチモーダルエンコーダーを排除した統一構造を採用した点が特徴である。この設計により、視覚や音声情報が直接大規模言語モデル（LLM）バックボーンに入力され、メモリ効率と処理速度の向上を実現した。
性能面では、標準ベンチマークで上位モデルに近い推論能力を持ちつつ、16GBのRAMやVRAM搭載ノートPCでも動作する軽量設計となっている。
また、Gemma 4シリーズの累計ダウンロード数が1億5000万を突破したことも明らかにされた。Gemma 4 12BはApache 2.0ライセンスの下で公開されており、Hugging Faceなどからモデルが入手可能。開発者向けにドキュメントやスキルリポジトリも用意されている。