砍掉自力编码器：Gemma 4 12B推翻多模态＂拼接设计＂
2026-06-15 14:32:50 宣布
泉源：网易游戏
作者：徐毓俊
浏览：2684次
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？？？椤 。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。 。
胡志强的祖辈是浙江永康乡下的铁匠。 。永康被称为“五金之都”，，，，， ，打铁是许多人祖传的营生。 。
责任编辑：陈嘉勋 校对：陈文军