O que é Gemma 4 12B

O Google lançou o Gemma 4 12B em 3 de junho de 2026. É um modelo de pesos abertos com 11,95 bilhões de parâmetros que aceita texto, imagens, áudio e vídeo como entrada, retorna texto e foi projetado para rodar localmente em máquinas com 16GB de memória. O ponto mais importante para desenvolvedores: ele traz entrada de áudio nativa em um modelo médio, sem depender de codificadores separados de visão ou áudio.

Experimente o Apidog hoje

Na prática, isso muda a forma como você pode montar aplicações multimodais locais. Em vez de carregar um encoder de imagem, outro de áudio e depois um LLM, o Gemma 4 12B recebe patches de imagem brutos e formas de onda de áudio diretamente no mesmo modelo. O resultado é um único modelo de 12B que lida com quatro tipos de entrada, funciona offline e é distribuído sob licença Apache 2.0, adequada para uso comercial.

Este guia resume onde o modelo se encaixa na família Gemma 4, quais recursos importam para implementação e como pensar em casos de uso locais. Se você quiser executar o modelo agora, veja também o guia complementar sobre como usar o Gemma 4 12B gratuitamente.

Gemma 4 12B em um relance

Especificação	Valor
Lançado	3 de junho de 2026
Parâmetros	11.95B, denso
Entradas	Texto, imagem, áudio, vídeo
Saída	Texto
Janela de contexto	256K tokens
Arquitetura	Multimodal unificada sem codificador
Licença	Apache 2.0
Executa em	16GB VRAM ou memória unificada, cerca de 8GB em 4-bit
Variantes	google/gemma-4-12B base, google/gemma-4-12B-it ajustado por instrução

Quando usar o Gemma 4 12B

Use o Gemma 4 12B quando você precisar de:

• inferência local ou offline;
• entrada multimodal em um único modelo;
• processamento de áudio sem pipeline separado de ASR;
• contexto longo, até 256K tokens;
• licença permissiva para uso comercial;
• integração com ferramentas locais via chat, função ou endpoint HTTP.

Evite tratá-lo como substituto direto de um modelo de nuvem de ponta em tarefas de raciocínio muito difíceis. O foco do 12B é entregar boa qualidade multimodal em hardware de consumidor.

Ele fica no meio da linha Gemma 4. O Google o posiciona como uma ponte entre o E4B, mais adequado para dispositivos de borda, e o 26B Mixture-of-Experts, oferecendo qualidade próxima ao modelo maior em vários benchmarks com menos da metade do consumo de memória.

Onde o 12B se encaixa na família Gemma 4

O Gemma 4 não foi lançado de uma vez. Os modelos E2B, E4B, 26B e 31B chegaram em 31 de março de 2026. O 12B foi adicionado em 3 de junho.

Modelo	Tamanho	Contexto	Notas
Gemma 4 E2B	2.3B efetivo, 5.1B bruto	128K	Em dispositivo, entrada de áudio
Gemma 4 E4B	4.5B efetivo, 8B bruto	128K	Compacto, entrada de áudio
Gemma 4 12B	11.95B denso	256K	Sem codificador, entrada de áudio
Gemma 4 26B A4B	4B ativo / 26B total, MoE	256K	Mistura de especialistas
Gemma 4 31B	31B denso	256K	Desempenho de ponta

O 12B é o único modelo da família construído com o design sem codificador. Os demais mantêm um codificador de visão tradicional e, nos dois menores, um codificador de áudio conformer. Isso torna o 12B a demonstração mais clara da direção do Google para IA multimodal em dispositivos.

Para comparar o cenário com outros modelos abertos, veja a comparação entre MiniMax M3, DeepSeek V4 e Qwen 3.7 e a análise sobre a guerra de preços de modelos de pesos abertos.

O que “sem codificador” significa na implementação

Em modelos multimodais tradicionais, o pipeline costuma ser:

imagem -> encoder de visão -> embeddings -> projetor -> LLM
áudio  -> encoder de áudio  -> embeddings -> projetor -> LLM
texto  -> tokenizer -> LLM

Isso significa mais componentes para carregar, quantizar, servir e manter em memória.

No Gemma 4 12B, o fluxo é mais direto:

imagem bruta -> patches -> espaço de embedding do modelo
áudio bruto  -> projeção -> espaço de embedding do modelo
texto        -> tokens -> mesmo modelo

Segundo o documento do Google:

• Visão: um módulo de embedding leve, composto por uma multiplicação de matriz, embeddings posicionais e normalização, projeta patches de imagem brutos diretamente no espaço de embedding do modelo.
• Áudio: o codificador de áudio foi removido. O áudio bruto é projetado no mesmo espaço dimensional dos tokens de texto.

Duas escolhas ajudam a reduzir custo em hardware menor:

• Embeddings por camada, ou PLE: cada camada do decodificador recebe um pequeno embedding dedicado, combinando identidade de token com projeção sensível ao contexto.
• Cache KV compartilhado: camadas finais reutilizam tensores key-value de camadas anteriores, reduzindo memória em contexto longo.

O Google também inclui um rascunhador de Previsão de Múltiplos Tokens, MTP, para decodificação especulativa. Isso pode acelerar a inferência de ponta a ponta em até aproximadamente 3x sem alterar a qualidade da saída.

Como estruturar prompts multimodais

O modelo retorna texto em todos os casos, mas a ordem das modalidades importa. O template de chat espera:

imagem antes do prompt de texto
áudio depois do prompt de texto

Um fluxo conceitual seria:

[imagem]
Descreva a interface e identifique possíveis problemas de acessibilidade.
[áudio]

Casos práticos:

• transcrever uma reunião e resumir decisões;
• analisar um vídeo usando frames e áudio;
• explicar uma captura de tela;
• responder perguntas sobre sons não verbais;
• combinar documento, imagem e áudio no mesmo contexto.

Áudio nativo: onde isso muda o pipeline

Muitos modelos abertos já aceitam imagens. O diferencial do Gemma 4 12B é aceitar áudio nativamente no mesmo modelo que processa texto e visão.

Isso permite construir pipelines locais para:

• ASR, reconhecimento automático de fala;
• transcrição de reuniões;
• diarização de locutor, ou seja, quem falou quando;
• perguntas sobre áudio, incluindo sons não verbais;
• compreensão de vídeo com áudio, não apenas frames;
• análise de UI ou imagens, como legendagem e raciocínio visual.

Em vez de manter um serviço de fala separado, você pode testar um único modelo como interface multimodal principal.

Benchmarks publicados

Estas são as pontuações publicadas para o gemma-4-12B-it, ajustado por instrução, no card do modelo no Hugging Face:

Benchmark	Gemma 4 12B-it
MMLU Pro, raciocínio	77.2%
AIME 2026, matemática sem ferramentas	77.5%
GPQA Diamond, ciência	78.8%
LiveCodeBench v6, codificação	72.0%
Codeforces, ELO	1659
MMMU Pro, visão	69.1%
MATH-Vision	79.7%
MRCR v2, 128K, 8-agulhas, contexto longo	43.4%

Comparação com modelos vizinhos da família:

Benchmark	E4B	12B	26B A4B	31B
MMLU Pro	69.4%	77.2%	82.6%	85.2%
AIME 2026	42.5%	77.5%	88.3%	89.2%
GPQA Diamond	58.6%	78.8%	82.3%	84.3%
LiveCodeBench v6	52.0%	72.0%	77.1%	80.0%

O padrão é simples: o 12B fica bem acima do E4B e se aproxima do 26B MoE em vários testes, mantendo um perfil mais viável para máquinas locais.

O que muda em relação ao Gemma 3

Se você já usou o Gemma 3, os pontos principais são:

1. Áudio nativo: o Gemma 3 era focado em texto e visão. O 12B adiciona som e vídeo com áudio.
2. Design sem codificador: não há codificador de visão ou áudio acoplado para carregar separadamente.
3. Contexto de 256K: mais espaço para documentos longos, transcrições e bases de código multifile.
4. Licença Apache 2.0: o Gemma 4 usa uma licença permissiva mais simples para uso comercial e redistribuição.

O que você pode construir

O 12B é mais útil quando os dados devem permanecer no dispositivo ou quando você quer reduzir dependência de APIs externas.

Ideias de implementação:

• Assistente offline de desktop

  • lê tela;
  • ouve microfone;
  • responde sem enviar dados para a nuvem.

• Ferramenta local de reuniões

  • transcreve áudio;
  • identifica locutores;
  • resume decisões;
  • gera tarefas.

• Pipeline de documentos e mídia

  • combina PDF, captura de tela e áudio;
  • resume conteúdo;
  • extrai campos;
  • responde perguntas sobre o material.

• Agente local com ferramentas

  • usa chamada de função;
  • planeja etapas;
  • chama scripts locais;
  • valida respostas antes de agir.

• Assistente de código

  • ajuda em refatoração;
  • explica arquivos;
  • gera testes;
  • trabalha com contexto longo.

Um exemplo de fluxo para testar um endpoint local:

curl http://localhost:11434/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma-4-12b-it",
    "messages": [
      {
        "role": "user",
        "content": "Resuma este requisito em tarefas técnicas para implementação."
      }
    ]
  }'

Ajuste o endpoint conforme o executor usado, como Ollama, llama.cpp ou outro servidor compatível.

Ao conectar um modelo local a uma aplicação, valide o formato de request e response antes de escrever a integração final. Uma ferramenta como o Apidog permite salvar o endpoint local, enviar prompts de exemplo e verificar o JSON retornado. Você pode baixar o Apidog gratuitamente e apontá-lo para o servidor local. Veja também o guia de uso gratuito.

Licença e uso comercial

O Gemma 4 12B é lançado sob licença Apache 2.0. Em termos práticos:

• você pode usá-lo comercialmente;
• pode modificá-lo, ajustá-lo e redistribuí-lo;
• pode executá-lo em produtos de código fechado;
• mantém suas saídas.

Essa é uma mudança importante em relação à licença Gemma anterior, que trazia termos próprios de política de uso do Google. A Apache 2.0 é uma licença permissiva comum em infraestrutura open source, o que tende a simplificar a revisão legal.

Hardware necessário

O alvo do Google é uma máquina com 16GB de VRAM ou memória unificada, como em Macs Apple Silicon. A quantização reduz o consumo:

Modo	Memória aproximada
Qualidade total	cerca de 16GB
8-bit	aproximadamente 14GB
4-bit, Q4_K_M	cerca de 8GB

Isso coloca o 12B ao alcance de:

• GPU de jogos comum;
• MacBook com 16GB;
• workstation de médio porte;
• máquina local para protótipos multimodais.

Se o hardware for mais limitado, os modelos E2B e E4B exigem menos memória.

Checklist para começar

Antes de integrar o Gemma 4 12B em uma aplicação, valide:

• [ ] qual variante será usada: gemma-4-12B ou gemma-4-12B-it;
• [ ] qual quantização cabe no hardware;
• [ ] se o executor suporta as modalidades necessárias;
• [ ] ordem correta de imagem, texto e áudio no template;
• [ ] formato de chamada de ferramenta, se houver;
• [ ] limites de latência para sua aplicação;
• [ ] política de verificação de fatos para respostas críticas;
• [ ] logs locais e privacidade dos arquivos processados.

Limitações

O Google destaca algumas compensações na descrição do modelo:

• pode produzir fatos incorretos ou desatualizados;
• pode refletir vieses dos dados de treinamento;
• pode falhar em sarcasmo, nuances e linguagem figurada;
• tem limites de raciocínio de senso comum;
• depende muito da clareza do prompt e do contexto fornecido.

Essas são limitações esperadas para um modelo aberto de 12B. O objetivo não é substituir um modelo de nuvem de ponta em todos os cenários, mas oferecer IA multimodal local para casos em que privacidade, custo e offline-first importam.

Perguntas frequentes

O Gemma 4 12B é gratuito?

Sim. Os pesos são abertos sob licença Apache 2.0 e gratuitos para download no Hugging Face e Kaggle. Você paga apenas pelo hardware ou pela nuvem onde executar. Veja como usar o Gemma 4 12B gratuitamente.

O Gemma 4 12B realmente entende áudio?

Sim. Ele recebe áudio bruto como entrada e pode transcrever fala, identificar locutores e responder perguntas sobre sons. O diferencial é fazer isso nativamente, sem depender de um modelo de fala separado.

Qual é a diferença entre gemma-4-12B e gemma-4-12B-it?

gemma-4-12B é o modelo base pré-treinado. gemma-4-12B-it é ajustado por instrução para chat, uso de ferramentas e seguimento de comandos. Para aplicações interativas, normalmente a versão -it é a mais adequada.

Como o 12B difere dos 26B e 31B?

O 12B é denso, sem codificador e otimizado para máquinas com 16GB. O 26B é um modelo Mixture-of-Experts, com 4B ativos e 26B totais. O 31B é um modelo denso maior para maior qualidade. Os modelos maiores pontuam melhor em benchmarks, mas exigem mais memória.

O Gemma 4 12B suporta chamada de ferramentas?

Sim. Ele suporta chamada de função de texto e multimodal, além de um modo opcional de pensamento para raciocínio passo a passo. Isso o torna útil para fluxos agenticos locais.

Como ele se compara ao Gemini 3.5?

São propostas diferentes. O Gemini 3.5 é um modelo hospedado de ponta do Google; veja o que é o Gemini 3.5. O Gemma 4 12B é um modelo aberto que você executa por conta própria. Você troca parte da qualidade máxima por privacidade, uso offline e custo zero por token.