Модель умеет обрабатывать текст, изображения и звук одновременно. Она понимает речь, распознаёт команды, пишет код и даже анализирует видео. Модель способна: посмотреть несколько минут видеозаписи, изучить каждый кадр, звуковую дорожку, а затем ответить на вопросы о содержании ролика.
При этом, по заявлениям разработчиков, Gemma 4 12B «почти не уступает более крупной модели», которая, между прочим, вдвое больше неё по размеру, и «заметно превосходит предыдущую версию Gemma 3».
Скачать Gemma 4 12B можно бесплатно на нескольких сайтах, включая Hugging Face и Ollama. Модель разрешено использовать даже в коммерческих проектах (лицензия Apache 2.0).
