Google DeepMind lancia Gemma 4 12B: AI multimodale open-source per laptop con 16 GB di RAM
Google DeepMind ha rilasciato Gemma 4 12B, un nuovo modello AI open-source in grado di elaborare immagini, audio e testo — il tutto eseguibile localmente su un laptop con soli 16 GB di RAM. Non si tratta di una API cloud né di una beta a inviti: è un modello completamente aperto con licenza Apache 2.0, scaricabile e utilizzabile da chiunque senza pagare Google.
Cos’è Gemma 4 12B
Gemma 4 12B è l’ultimo membro della famiglia Gemma di modelli linguistici aperti di Google, ma si distingue dai predecessori per un aspetto fondamentale: è multimodale. Comprende immagini, audio e testo, ragionando su tutti questi input con linguaggio naturale all’interno di un singolo modello che gira su hardware consumer.
Specifiche tecniche principali:
- Parametri: 12 miliardi
- Modalità: Testo, visione (immagini), audio
- Hardware minimo: 16 GB di RAM o VRAM
- Licenza: Apache 2.0 (completamente open source)
- Data di rilascio: 3 giugno 2026
Il modello si posiziona tra il più piccolo E4B (progettato per dispositivi edge) e il più grande modello 26B Mixture of Experts. La sorpresa è che Gemma 4 12B offre prestazioni quasi equivalenti al modello 26B nei benchmark standard, utilizzando meno della metà della memoria.
L’innovazione: niente encoder
La maggior parte dei modelli AI multimodali funziona con componenti separati per diversi tipi di input: un encoder visivo elabora le immagini, un encoder audio processa il suono, e poi questi encoder alimentano il modello linguistico principale. Questo approccio funziona ma introduce latenza, aumenta l’uso di memoria e complica l’ottimizzazione.
Gemma 4 12B elimina completamente gli encoder. Al loro posto, Google ha introdotto un “modulo di embedding leggero” — essenzialmente una singola moltiplicazione di matrici con embedding posizionali e normalizzazioni. Il modello linguistico principale gestisce tutto il resto. Per l’audio, l’approccio è simile: i token audio fluiscono direttamente nel transformer senza pipeline di elaborazione separata.
Il risultato è un’architettura unificata, più semplice, veloce e con un minore consumo di memoria rispetto ai design multimodali tradizionali.
Perché 16 GB di RAM cambiano tutto
La possibilità di eseguire un modello AI multimodale all’avanguardia su un laptop consumer è un punto di svolta. Non un modello giocattolo, non un’approssimazione pesantemente quantizzata: un modello da 12 miliardi di parametri che gestisce immagini, audio e testo con prestazioni vicine al molto più grande modello 26B MoE di Google.
Con 16 GB di RAM — la dotazione standard di molti laptop moderni — sviluppatori, ricercatori e appassionati possono sperimentare con AI multimodale senza bisogno di costose GPU cloud o workstation dedicate.
Impatto e disponibilità
Gemma 4 12B rappresenta una democratizzazione dell’AI multimodale. La licenza Apache 2.0 permette qualsiasi tipo di utilizzo, dalla ricerca alle applicazioni commerciali. Il modello è disponibile per il download diretto e può essere eseguito localmente con strumenti come Ollama o direttamente tramite i pesi pubblicati su Hugging Face.
Informazioni sull'autore
