文 | AI唱反调

一个 12B模子，，，，凭什么让26B MoE主要？？？

2026年6月4日，，，，Google宣布Gemma 4 12B。
。。官方定位很榨取：介于E4B与26B MoE之间的中端型号，，，，能跑16GB条记本，，，，Apache 2.0开源。
。。

DeepMind科学家Michael Tschannen的推文泄露了另一层意图。
。。"已往几年我的研究重点是统一跨模态的模子和训练范式。
。。今天宣布的Gemma 4 12B，，，，直接处理原始文本、图像和音频输入。
。。"

要害词是"直接"。
。。"支持""融合"都禁绝，，，，只有一个词能概括：直接。
。。

绝大大都科技自媒体只盯着16G条记本、开源免费两个噱头，，，，完全无视这次宣布真正倾覆多模态行业的底层架构刷新。
。。这也是12B能威胁26B MoE的焦点密码。
。。

大都报道把"无编码器"解读为减法：用35M轻量嵌入替换数百兆的ViT，，，，显存从15GB压到9GB，，，，恰恰塞进消耗级条记本。
。。这个解读没错，，，，但遗漏了更底层的工具。
。。

若仅以降低显存为目的，，，，Google完万能通过量化蒸馏刷新现有26B MoE，，，，没须要从零重构整套多模态架构。
。。Gemma 4 12B是重新设计的，，，，它要做的不是把模子做小，，，，而是让原始音画无损直通LLM。
。。

古板多模态的巴别塔逆境：编码器翻译必定消耗信息

已往三年，，，，主流多模态模子，，，，LLaVA、GPT-4V、甚至Gemma 4 26B，，，，实质上都是拼接怪。
。。内部结构大同小异：

ViT编码器（通常12-24层）把图像切成patch，，，，提取特征向量；
；；；
；；Conformer或Whisper编码器把声波转成梅尔频谱，，，，提取声学特征。
。。然后两者划分经由对齐层，，，，投影到LLM的文本向量空间。
。。最后，，，，语言模子才最先处理这些被转换过的信息。
。。

这个架构能事情，，，，但有一个结构性缺陷：信息在抵达LLM之前，，，，已经由至少一次压缩和转换。
。。 ViT输出的是高维特征向量，，，，原始像素已经不保存；
；；；
；；Conformer输出的是声学特征体现，，，，原始声波已经不保存。
。。LLM拿到的是经由压缩提炼的高层特征，，，，丧失大宗原始画面的空间细节和音频的时序纹理。
。。

三种模态的优化目的也相互割裂。
。。ViT学图像分类，，，，Conformer学语音识别，，，，LLM学文本展望。
。。拼接时需要用特殊训练弥合差别，，，，"学了看图忘了语言"的灾难性遗忘重复泛起。
。。

编码器自己没做错什么。
。。错的是"必需分层转译"的架构规则。
。。压缩转换一旦爆发，，，，信息消耗就不可逆。
。。

Gemma 4 12B没妄想修这条管道，，，，它直接把管道拆了。
。。

视觉扬弃了古板ViT编码器，，，，改用35M轻量嵌入模？？。
。。单次矩阵乘法 + 2D坐标嵌入 + 归一化，，，，图像块直接映射到与文本Token相同的向量空间，，，，然后进入Transformer主干的注重力盘算。
。。提取特征酿成了直接投影。
。。

音频更彻底。
。。彻底移除音频编码器，，，，原始音频信号直接投影到文本Token的向量空间。
。。不做频谱转换，，，，不做声学特征提取，，，，原始声波直接进模子。
。。

古板架构是"划分处理再拼接"，，，，Gemma 4 12B是"混淆Token序列统一处理"。
。。图像Token、音频Token、文本Token按顺序排列，，，，进入统一的Transformer主干后，，，，由统一套注重力机制处理，，，，共享主干网络的权重和推理逻辑。
。。

投影层自己因模态特征而异。
。。视觉需2D坐标嵌入，，，，音频需时序切片。
。。但进入主干后，，，，三种模态的表征空间和盘算逻辑完全统一。
。。

这就是Tschannen说的"统一"。
。。功效层面的"支持多模态"太浅了。
。。架构层面的"所有模态共享统一套表征空间"才是。
。。

实测迫近 26B MoE：架构效率正在改写游戏规则

atomic.chat的实测数据很能说明问题：RTX 4090上，，，，12B天生8.9k Token的物理模拟代码，，，，显存仅9GB，，，，性能迫近26B MoE的15GB设置。
。。二者参数差别高达140亿，，，，12B用不到一半的显存，，，，跑出了旗舰模子超半数的速率，，，，代码天生质量、物理逻辑推理能力险些无差别。
。。

过往大厂内卷思绪永远是堆MoE、堆参数目抬升性能，，，，而Gemma 4 12B证实：优化架构同样能追平旗舰效果，，，，直接摇动"靠堆参数取胜"的行业惯性研发思绪。
。。这才是26B级大模子蹊径倍感主要的泉源。
。。

显存大幅缩减，，，，无编码器设计是主要因素之一。
。。没有自力编码器的特殊内存开销，，，，也没有编码器与主干之间的特征对齐消耗。
。。但性能迫近26B是多重优化配相助用的效果，，，，训练数据配比、架构效率提升都有孝顺，，，，不可简单归因。
。。

真正的信号在于：Gemma 4 12B证实晰"无编码器统一架构"在中等规模模子上的量产可行性。
。。

这个验证完成以后，，，，事情最先往几个偏向传导。
。。

LoRA等轻量微调要领可以直接作用于Transformer主干，，，，理论上能同步优化全模态回路。
。。不再需要划分维护编码器和主干，，，，不再需要为对齐问题头疼。
。。详细微调效果还得等自力验证，，，，Google自己也没宣布官方消融实验。
。。

硬件门槛的转变卦直观。
。。多模态推理从"双路事情站"降到了"单张消耗级显卡"，，，，9GB显存跑原生多模态，，，，这个门槛直接决议了它能不可进入通俗开发者的事情流。
。。

生态层面也有想象空间。
。。统一嵌入空间在架构理论上预留了扩展接口，，，，新增模态理论上只需定制专属投影层即可接入主干。
。。但"可接入"和"可用"是两回事，，，，配套的训练数据、使命设计和专项调优缺一不可。
。。"零本钱新增模态"是幻觉，，，，"架构层面的可能性"才是准确的形貌。
。。

界线与分水岭：架构领先不即是万能，，，，但偏向已经确立

必需忠实交接：Gemma 4 12B面临凌驾三步的重大串联使命、多工具联动场景，，，，仍会泛起妄想幻觉、路径偏移的问题。
。。这不算否认它的理由，，，，只说明它正处于从"能对话"到"能做事"的过渡期。
。。

早期智能手机的触屏也不敷迅速，，，，但偏向已经确立。
。。无编码器统一架构的验证已经完成，，，，剩下的工程优化只是时间问题。
。。

Gemma 4 12B的宣布很容易被淹没在"又发了一个模子"的信息噪音中。
。。但把视线从参数表移开，，，，看向架构图，，，，会看到一个清晰的信号：

多模态AI的研发逻辑，，，，正在从"为每种模态设计专用转换器再拼接"，，，，转向"所有模态共享统一套注重力机制"。
。。

12B参数不是重点。
。。它证实晰，，，，多模态的"大一统"不需要靠堆模？？槭迪，，，，统一体现空间就够了。
。。

未来两年，，，，当业界回首2026年的多模态希望时，，，，Gemma 4 26B的基准分数会被遗忘，，，，Gemma 4 12B的架构选择会被重复引用。
。。它是第一个在中等规模、可商用、可外地安排的模子上，，，，验证了"无编码器统一架构"的量产可行性。
。。

26B 打赢了当下的性能战，，，，12B 改写了未来多模态的底层规则。
。。

推动公众认知从“审美”走向“科学”。
。。早期的“看鸟”，，，，只是叹息“这只鸟真悦目”，，，，当下的“观鸟”则需要辨识鸟种、视察行为、纪录生境。
。。戴子云说：“这促使喜欢者自动学习生态学、动物行为学知识。
。。？？蒲Ю硇缘亟槿，，，，让年轻人关于自然从纯粹热爱，，，，酿成了爱与尊重并行。
。。”