Gemma 4 12B: Google elimina los codificadores en su IA multimodal local

Google DeepMind ha lanzado Gemma 4 12B, un modelo de lenguaje multimodal que puede ejecutarse en un portátil corriente y que introduce un cambio técnico poco habitual: prescinde de los codificadores dedicados que casi toda la industria usa para tratar imágenes y sonido. Según la propia compañía, el modelo alcanza un rendimiento cercano al de su hermano mayor, un modelo de 26B parámetros con arquitectura de mezcla de expertos, pero ocupando menos de la mitad de memoria.

El anuncio llega acompañado de un dato de tracción: la familia Gemma 4 ha superado los 150 millones de descargas, según Google. Es una cifra que sitúa a estos modelos abiertos como una de las alternativas de referencia frente a las propuestas de Meta con Llama o de Mistral.

Qué es exactamente Gemma 4 12B

Gemma es la línea de modelos abiertos de Google, derivada de la misma investigación que sustenta a Gemini pero pensada para que cualquiera pueda descargarla, ejecutarla y ajustarla. El nombre "12B" indica que tiene unos 12.000 millones de parámetros, la cifra que define el tamaño y, a grandes rasgos, la capacidad de un modelo.

Ese tamaño no es casual. Google lo describe como el punto intermedio de su catálogo: por debajo queda el E4B, orientado a dispositivos con recursos muy limitados; por encima, un modelo de 26B con mezcla de expertos, más potente pero más exigente. El 12B busca el equilibrio: suficiente músculo para tareas de razonamiento complejo, suficiente contención para caber en una máquina de consumo.

La clave práctica es esa contención. Google asegura que el modelo funciona en local con solo 16 GB de VRAM o memoria unificada, la cantidad que llevan muchos portátiles actuales de gama media-alta, incluidos los MacBook con chips de Apple. Es decir, sin conexión a la nube, sin enviar datos a servidores externos y sin coste por consulta.

El cambio de fondo: adiós a los codificadores

La novedad técnica más interesante es cómo procesa las imágenes y el audio. Conviene explicar el problema que resuelve.

Un modelo de lenguaje entiende texto convertido en "tokens", pequeñas unidades numéricas. Para que ese mismo modelo pueda "ver" una foto o "escuchar" un audio, lo habitual ha sido añadir un codificador: una red neuronal aparte que traduce la imagen o el sonido a un formato que el modelo de lenguaje pueda digerir. Es como tener un intérprete dedicado para cada idioma antes de hablar con el jefe.

Ese enfoque funciona, pero tiene un precio. Cada codificador añade latencia (el modelo tarda más en responder) y consume memoria adicional. En un modelo pensado para correr en un portátil, ese sobrecoste importa.

Google ha optado por eliminarlos. Según explica en su anuncio, en Gemma 4 12B las entradas de visión y audio fluyen directamente al núcleo del modelo de lenguaje:

• Visión: el codificador de imagen se sustituye por un módulo de incrustación ligero, formado esencialmente por una multiplicación de matrices, incrustaciones de posición y normalizaciones. El propio modelo de lenguaje asume el trabajo de interpretar lo visual.
• Audio: aquí van más lejos. Eliminan por completo el codificador de sonido y proyectan la señal de audio en bruto al mismo espacio dimensional que los tokens de texto.

El resultado es lo que Google llama una arquitectura "unificada" y "sin codificadores" (encoder-free): un único cerebro que procesa texto, imagen y sonido en el mismo flujo, en lugar de un cerebro con intérpretes acoplados. Es, además, el primer modelo de tamaño medio de la familia con entrada nativa de audio.

Por qué importa este enfoque

La tendencia dominante en modelos multimodales ha sido la contraria: acoplar codificadores cada vez más sofisticados. Que Google demuestre que se puede prescindir de ellos y aun así rendir cerca de un modelo el doble de grande es una señal de hacia dónde puede ir la eficiencia en los próximos años.

Menos componentes significa menos memoria, menos latencia y, en teoría, un sistema más sencillo de entrenar y mantener. Para quien quiere IA multimodal funcionando en su propio hardware —sin depender de una API externa— esa simplicidad es directamente dinero y privacidad.

Conviene, eso sí, mantener la cautela habitual con los anuncios de rendimiento. Google habla de resultados "cercanos" a su modelo de 26B "en pruebas estándar", sin detallar aquí las cifras concretas ni las tareas. Los benchmarks de laboratorio no siempre predicen el comportamiento real, y la comparación relevante no es solo contra el modelo grande de la propia casa, sino contra rivales de tamaño similar como Llama o Mistral.

Pensado para trabajar como agente

Google insiste en el enfoque "agéntico": la idea de que el modelo no solo responda preguntas, sino que ejecute flujos de trabajo de varios pasos, use herramientas y actúe con cierta autonomía. Para eso destaca su capacidad de razonamiento en cadena y presenta un elemento adicional para acelerar respuestas.

Gemma 4 12B incorpora drafters de Predicción Multi-Token (MTP). En esencia, es una técnica para adelantar varios tokens de golpe en lugar de generar la respuesta palabra a palabra, lo que reduce la latencia. En un modelo local, donde no se cuenta con la potencia bruta de un centro de datos, cada milisegundo ahorrado se nota.

La compañía acompaña el lanzamiento con un repositorio oficial de "Skills", una biblioteca de habilidades pensada para que agentes construidos sobre Gemma puedan aprovechar mejor sus capacidades.

Abierto y disponible desde ya

Uno de los puntos fuertes del anuncio es la licencia. Gemma 4 12B se publica bajo Apache 2.0, una de las licencias abiertas más permisivas, que permite uso comercial sin las restricciones que a veces acompañan a otros modelos "abiertos" del mercado.

En cuanto al despliegue, Google ha cubierto casi todo el ecosistema:

• Para probarlo sin complicaciones: LM Studio, Ollama, la app Google AI Edge Gallery, la app Eloquent y la CLI LiteRT-LM.
• Para descargar los pesos: las versiones preentrenada y ajustada por instrucciones están en Hugging Face y Kaggle.
• Para integrarlo: compatibilidad con Hugging Face Transformers, llama.cpp, MLX (el marco de Apple para su silicio), SGLang y vLLM, además de ajuste eficiente con Unsloth.
• Para producción: despliegue en Google Cloud a través de Model Garden, Cloud Run y GKE.

Esa amplitud no es un detalle menor. Un modelo abierto solo triunfa si es fácil de adoptar, y aquí Google ha eliminado gran parte de la fricción.

Qué esperar a partir de aquí

Gemma 4 12B refuerza una apuesta clara de Google: competir en el terreno de los modelos abiertos y eficientes, no solo en el de los gigantes cerrados que corren en la nube. La eliminación de codificadores es la parte que merece seguimiento, porque si la promesa de rendimiento se sostiene fuera del laboratorio, otros fabricantes tendrán motivos para replantear sus propias arquitecturas.

Para desarrolladores y empresas, la lectura práctica es directa: hay ahora una opción más para llevar capacidades multimodales —texto, imagen y audio— a hardware corriente, con licencia comercial libre y sin dependencia de servicios externos. La prueba real la darán las aplicaciones que la comunidad construya en los próximos meses, igual que ocurrió con las 150 millones de descargas que acumulan las versiones anteriores.