Google memperkenalkan model kecerdasan buatan (AI) open-source terbarunya, Gemma 4 12B, pada Rabu (3/6/2026). Model ini dirancang untuk menghadirkan kemampuan AI multimodal langsung di laptop dan komputer pengguna tanpa bergantung pada server cloud maupun membutuhkan spesifikasi perangkat kelas atas.
Salah satu kemampuan utama Gemma 4 12B adalah dapat berjalan secara lokal (on-device) dengan kebutuhan VRAM atau memori terpadu (unified memory) sebesar 16 GB. Dengan skema ini, Google menargetkan pengalaman AI multimodal dan agentic dapat dijalankan langsung di perangkat pengguna.
Gemma 4 12B diklaim mampu memahami beragam jenis input, mulai dari teks, gambar, hingga audio. Google juga menyebut model ini sebagai model Gemma berukuran menengah pertama yang mendukung input audio secara langsung (native).
Berbeda dari pendekatan yang masih memerlukan encoder terpisah, Gemma 4 12B disebut tidak lagi membutuhkan encoder khusus untuk memproses gambar maupun suara sebelum diteruskan ke model bahasa utama. Input visual dan audio dapat diproses langsung oleh fondasi LLM backbone. Menurut Google, cara ini dapat mengurangi waktu pemrosesan, penggunaan memori, serta latensi sistem.
Untuk pemrosesan gambar, Google mengganti vision encoder dengan modul embedding ringan yang terdiri dari satu operasi perkalian matriks, positional embedding, dan normalisasi. Sementara untuk audio, Google menghapus audio encoder sepenuhnya dan memproyeksikan sinyal audio mentah langsung ke ruang representasi yang sama dengan token teks.
Karena mendukung pemrosesan audio secara native, Gemma 4 12B juga disebut dapat menangani tugas audio yang lebih kompleks, seperti pengenalan suara (speech recognition), transkripsi audio, penerjemahan suara, pembuatan kode, hingga analisis video.
Dalam panduan pengembang (Developer Guide) yang dibagikan Google, model ini disebut mampu memahami video berdurasi lima menit dengan menganalisis frame gambar dan audio secara bersamaan. Google mendemonstrasikan kemampuan tersebut menggunakan cuplikan presentasi Google I/O, di mana Gemma 4 12B memproses 313 frame video dengan kecepatan satu frame per detik sekaligus menganalisis audio yang menyertainya.
Dari sisi posisi produk, Google menyatakan Gemma 4 12B dihadirkan sebagai jembatan antara model Gemma E4B yang ditujukan untuk perangkat edge dan model Gemma 26B Mixture of Experts (MoE) yang lebih bertenaga. Google juga menyebut performanya mendekati Gemma 26B.
