Gemma 4 12B: el modelo multimodal de Google que corre en tu portátil

Google DeepMind ha presentado Gemma 4 12B, un modelo multimodal abierto que prescinde de los codificadores separados para imagen y sonido y mete todo el procesamiento dentro del propio modelo de lenguaje. La promesa es concreta: inteligencia multimodal con razonamiento avanzado corriendo en un portátil con 16 GB de memoria, sin depender de la nube.

Qué es Gemma 4 12B y dónde encaja

Gemma es la familia de modelos abiertos de Google, la contraparte accesible frente a Gemini, su modelo cerrado y comercial. Dentro de esa familia, el nuevo 12B ocupa un lugar intermedio. Según explican Olivier Lacombe, director de gestión de producto de Google DeepMind, y Gus Martins, product manager de la casa, el modelo "cubre el hueco" entre el E4B, pensado para dispositivos de borde (edge, hardware con recursos muy limitados como móviles o wearables), y el 26B, un modelo más potente basado en Mixture of Experts (una arquitectura que activa solo una parte de sus parámetros en cada consulta para ahorrar cómputo).

El argumento de venta es el equilibrio. DeepMind afirma que Gemma 4 12B ofrece un rendimiento "cercano" al del modelo 26B en los benchmarks estándar, pero con menos de la mitad de la huella de memoria total. Es también el primer modelo de tamaño medio de la familia con entrada de audio nativa.

La compañía sitúa el lanzamiento sobre una cifra de adopción: los modelos Gemma 4 han superado los 150 millones de descargas. DeepMind menciona que la comunidad de desarrolladores ha construido desde brazos robóticos wearables para asistencia física hasta sistemas de seguridad de IA de nivel empresarial.

La apuesta técnica: adiós a los codificadores

Lo que diferencia a este modelo no es tanto su tamaño como su arquitectura. Aquí conviene explicar cómo funcionan los modelos multimodales habituales.

Un modelo multimodal es el que entiende varios tipos de entrada —texto, imágenes, sonido— y no solo texto. La forma tradicional de conseguirlo es acoplar codificadores (encoders) especializados: un módulo traduce las imágenes a una representación numérica que el modelo de lenguaje pueda digerir, otro hace lo mismo con el audio, y esas representaciones se pasan luego al modelo. Funciona, pero tiene un coste: cada codificador añade latencia y consume memoria.

Gemma 4 12B elimina ese paso. DeepMind lo llama arquitectura encoder-free: las entradas de visión y audio fluyen directamente al núcleo del modelo de lenguaje. La compañía detalla cómo lo hace en cada caso:

• Visión: sustituyeron el codificador de imagen por un módulo de embedding ligero, formado por una única multiplicación de matrices, embeddings posicionales y normalizaciones. Con eso, el propio modelo de lenguaje asume el procesamiento visual.
• Audio: fueron más lejos y retiraron el codificador de audio por completo, proyectando la señal de audio en bruto al mismo espacio dimensional que los tokens de texto.

La idea de fondo es que, si el modelo puede aprender a interpretar directamente las señales sin traductores intermedios, se ahorra la latencia y la memoria de esos traductores. Es una decisión de diseño que va a contracorriente de buena parte de la industria multimodal, que hasta ahora ha confiado en codificadores dedicados y bien probados.

Pensado para el portátil, no para el centro de datos

El requisito que DeepMind repite es el que da sentido a todo lo anterior: 16 GB de VRAM o memoria unificada. Es una cantidad al alcance de portátiles de consumo relativamente recientes, lo que sitúa el modelo en el terreno de la ejecución local, sin enviar datos a servidores externos.

Esa capacidad de correr en la máquina del usuario tiene implicaciones que van más allá de la comodidad. La inferencia local significa que las imágenes, el audio y las consultas no salen del dispositivo, un punto relevante para quien maneja información sensible o simplemente no quiere depender de una conexión y de la facturación por uso de una API en la nube.

Para reducir la latencia, el modelo incorpora Multi-Token Prediction (MTP), una técnica de "drafters" que permite predecir varios tokens de una vez en lugar de uno a uno, acelerando la generación de texto.

Gemma 4 12B se publica bajo licencia Apache 2.0, una licencia abierta y permisiva que autoriza el uso comercial. DeepMind orienta el modelo hacia flujos de trabajo agénticos: sistemas de IA que no se limitan a responder, sino que encadenan pasos y ejecutan tareas de forma más autónoma. En esa línea, la compañía anuncia un repositorio oficial de Skills, una biblioteca de habilidades diseñada para que los agentes construyan sobre los modelos Gemma.

Cómo se puede probar

DeepMind ha lanzado el modelo con soporte amplio en el ecosistema de desarrollo. Según la compañía, puede probarse en LM Studio, Ollama, la app Google AI Edge Gallery, la app Google AI Edge Eloquent y la CLI de LiteRT-LM. Los pesos —tanto la versión preentrenada como la ajustada por instrucciones— están disponibles para descarga en Hugging Face y Kaggle.

Para integrarlo, el modelo es compatible con Hugging Face Transformers, llama.cpp, MLX, SGLang y vLLM, además de permitir ajuste fino con Unsloth. Para despliegue en producción, DeepMind ofrece la vía de Google Cloud a través de Gemini Enterprise Agent Platform Model Garden, Cloud Run y GKE.

Qué está en juego

El movimiento encaja en una tendencia clara del sector: acercar capacidades avanzadas al hardware del usuario en lugar de concentrarlas en centros de datos. Un modelo multimodal con razonamiento razonable que quepa en un portátil de 16 GB reduce la barrera de entrada para desarrolladores independientes, pymes y cualquiera que quiera experimentar sin costes de API ni preocupaciones de privacidad.

La incógnita está en la arquitectura sin codificadores. DeepMind afirma que su rendimiento se acerca al del modelo 26B, pero "cercano" es un término elástico y los benchmarks estándar no siempre reflejan el comportamiento en tareas reales, sobre todo en audio y visión, donde los codificadores dedicados llevan años puliéndose. Si el enfoque encoder-free mantiene la calidad que promete a la vez que recorta memoria y latencia, la apuesta valdrá la pena. Habrá que ver cómo se comporta fuera del laboratorio, en manos de esa comunidad que ya suma 150 millones de descargas.