这几天刷到Gemma 4 12B的音问颠倒多，不是告白那种吹，是真有东说念主在M2条记本上跑起来了——拍照、灌音、打字，它全认，还答得挺准。不是试个demo就完事，是真拿它写Gradio界面、改PDF、帮视障一又友及时听图。我试了下MacBook Air，16GB，开三个窗口同期传图和语言，电扇没狂转，也没崩。

它没用ViT，也没Conformer音频编码器。曩昔模子得先把图形成特征，再喂给大语言模子；当前获胜把像素块、声波切片，塞进归并个镶嵌层里算。就像把不同方言的东说念主拉进一个房子，无须翻译官，环球用归并套手势比划，逐渐就懂了。官方说视觉和文本token在向量空间里自然对王人，我试了张咖啡杯像片+“这像不像一只猫”，它真回了句“杯耳弯成猫耳，但没髯毛”，不是瞎编。

显存只占9GB，RTX 4090实测。不是靠砍参数硬省，是架构上从根儿上没那些编码器的服务。12B参数，4-bit量化后才6.2GB，塞进16GB内存绰绰过剩。况且它配了个叫MTP的“草稿器”，一次猜3–5个字，打字快多了，不卡顿。我用LiteRT-LM在安卓手机上跑过一段5秒视频，声息+画面通盘输，世界杯官网线上平台12秒出恶果，没连Wi-Fi。

微调也浅易了。底本调图像领路得单独搞视觉头，调语音又要重训音频头；当前长入骨干，LoRA只调一趟，图、音、文全随着变。Hugging Face上照旧七万多微调版块，有斥地公司拿它改CAD图纸证据，有老诚让它把数学题自动生成带图老师。Apache 2.0契约，能商用，能改，能打包卖，就一条：留个版权声明。

有东说念主用它作念了个叫“土产货画廊”的鄙吝具，Mac上点开，拍照→自动描图→生成UI代码→再点启动，总共经由不传服务器。还有个叫Envision的盲东说念主助手，ARM芯片小盒子，离线跑，看到楼梯就报“前列三阶缓坡”，听到水声说“水龙头可能没关”。

下载量1.5亿次，不是1.5亿东说念主，是好多公司每天自动拉镜像、CI/CD里跑测试、专有云里部署。DeepMind雇主亲口说的，数据来自里面统计，不是第三方爬的。参数是119.5亿，不是凑整的120亿，费力里写了好几遍。

它没喊“翻新”，也没说要取代谁。即是把底本得靠服务器、GPU集群、API密钥才调干的事，塞进了你手边那台没换新、还插着充电线的电脑里。

Gemma 4 12B，跑起来了。

2026世界杯中国线上平台