出来事の日付：2026年6月3日。 Googleは、一般消費者向けノートPC上でローカル実行することを想定した中規模のマルチモーダルモデル「Gemma 4 12B」を発表した。同社はこのリリースを、小型のE4Bモデルと、より大規模な260億パラメーターのMixture-of-Expertsシステムとの中間に位置付け、後者のメモリー要件を伴わずに、より幅広い機能を提供することを目指している。

Gemma 4 12Bは、テキストに加えて音声や視覚素材も処理できるよう設計されている。発表によると、音声をネイティブ入力できるGoogle初の中規模Gemmaモデルである。Googleは、RAMを16GB搭載したノートPCでこのモデルをローカル実行できるとしており、推論を全面的にリモートサービスに依存せず、ユーザー自身のマシン上にとどめるアプリケーションの可能性を開く。

このモデルは、Googleが「エンコーダー不要」と説明するアーキテクチャを採用している。多くのマルチモーダルシステムは、画像や音声を専用エンコーダーに通し、その結果得られた表現を言語モデルへ送る。Gemma 4 12Bは代わりに、それらの入力を直接統合する。Googleによると、個別のコンポーネントを取り除くことで、レイテンシーとメモリー使用量の両方が削減される。提供された資料はこの設計の概要を示しているが、主張されている効率向上について独立した測定結果は示していない。

Googleはまた、12Bモデルが、総メモリー使用量を半分未満に抑えながら、標準ベンチマークではより大規模な26BのMixture-of-Expertsモデルに近い性能を示すとしている。この比較は同社による結果であり、異なるハードウェア、量子化設定、実際のワークロード全般にわたるテストの代わりになるものではない。実際の速度と品質は、開発者がモデルをどのようにパッケージ化し、どのようなタスクを実行させるかによって異なる。

このリリースにより、GoogleによるとGemma 4の各バリエーションを通じてダウンロード数が1億5,000万件を超えたモデルファミリーが拡充される。ダウンロード総数には繰り返し取得された分が含まれる可能性があり、実際に使用され続けているモデル数は分からないが、開発者から大きな関心が寄せられていることは示している。Googleは、コミュニティが構築した事例として、支援用ウェアラブルロボットから企業向けAIセキュリティーまで幅広いプロジェクトを紹介した。

開発者にとって実用上の意義は、現在の多くのノートPCに搭載されている範囲のメモリー容量で、複数の入力形式を組み合わせられる点にある。ローカル実行によってネットワークへの依存を減らし、データがどこで処理されるかについて開発者がより大きな制御権を持てる可能性がある。ただし、この発表は、あらゆるアプリケーションについてプライバシーやオフライン動作を一律に保証するものではない。Googleは実装の詳細を説明する付属の開発者ガイドを公開している。小規模モデルが、選定されたベンチマーク以外で大規模モデルにどの程度近い性能を示すかを確かめるには、独立した評価が必要になる。

ノートPCを対象とすることで、リソース要件を開示する責任もアプリケーション開発者に生じる。モデルが16GB以内に収まるからといって、すべてのアプリケーションで入力データ、ユーザーインターフェース、その他のソフトウェアに十分なメモリーが残るとは限らない。開発者は、モデルの読み込みだけでなく完成した製品全体をテストし、そのマシンに適した精度設定とコンテキスト設定を選ぶ必要がある。