泉源：湖北一派出所所长带人徒手扒小麦作者： 陈奕裕：

砍掉自力编码器：Gemma 4 12B推翻多模态＂拼接设计＂

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？？。。。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？？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。。。