Gemma 4 12B: por dentro do modelo 12B sem encoder do Google

Gemma 4 12B é o membro de porte médio da família Gemma 4 do DeepMind: um modelo denso de pesos abertos com 11,95 bilhões de parâmetros que lê texto, imagens, áudio e quadros de vídeo e escreve texto, e cuja decisão de engenharia definidora é não ter nenhum codificador multimodal. Ele fica entre o focado na borda Gemma 4 E4B e o maior e mais esparso Gemma 4 26B A4B. A nota de lançamento define sua função como trazer trabalho multimodal agêntico para um laptop — raciocínio, uso de ferramentas, programação e compreensão de documentos ou de tela que roda na máquina à sua frente, em vez de através de uma conexão medida. É também o tamanho que carrega toda a presença ativa desta família em nosso próprio site: três páginas de comparação foram escritas sobre ele e, até esta, não havia nenhuma página sobre o próprio modelo.

Vale a pena nomear essa inversão desde o início, porque ela explica o formato de tudo o que vem abaixo. Os leitores não chegam a Gemma 4 12B da mesma forma como chegam a um modelo de ponta. Eles chegam de lado, geralmente por uma página de comparação, muitas vezes porque a verdadeira pergunta é qual tamanho do Gemma 4 — e querem saber o que é, de fato, o lado esquerdo da comparação antes de gastar um download com ele. As buscas que medimos para este nome são predominantemente comparativas; o termo isolado por si só tem pouco volume. Portanto, esta é uma página de referência: o que é o 12B, o que o cartão do modelo declara, o que é necessário para executá-lo, o que sua licença permite e qual das três comparações existentes já resolve a questão com que você chegou.

Não é uma história de lançamento, e não deve ser lida como tal. Gemma 4 12Bfoi lançado em 3 de junho de 2026 — 132 dias antes desta página — e nada no modelo mudou nos sete dias que antecederam a publicação. Essa data vem da própria nota de lançamento do fornecedor, e é usada aqui para situar o modelo no tempo, e não para anunciá-lo.

O que é o 12B, e no que difere do 26B A4B

A família Gemma 4 tem cinco tamanhos, e eles não são cinco pontos em uma mesma linha. A ficha do modelo os lista como E2B, E4B, 12B Unified, 26B A4B e 31B, e eles se dividem em duas arquiteturas: três modelos densos e um mixture-of-experts, com os tamanhos E usando embeddings por camada para reduzir o que de fato roda em um dispositivo.

Gemma 4 12B é um modelo denso. O cartão do modelo atribui-lhe 11,95B de parâmetros totais em 48 camadas, com uma janela deslizante de 1.024 tokens e um contexto de 256K tokens. O Gemma 4 26B A4B, por contraste, é o mixture-of-experts da família: 25,2B de parâmetros totais, mas apenas 3,8B ativos por token, distribuídos por 30 camadas com 8 especialistas ativos de 128, mais um especialista partilhado. Esse "A" é o ponto central do nome — o modelo transporta 26B de pesos e paga por cerca de 4B deles em cada forward pass, razão pela qual o cartão do modelo o descreve como correndo quase tão depressa como um modelo de 4B, mas detendo muito mais conhecimento.

Então, a distinção honesta em uma frase é esta. O 26B A4B é o tamanho que você escolhe quando quer o máximo de capacidade por unidade de latência e tem uma estação de trabalho ou um servidor para colocá-lo. O 12B é o tamanho que você escolhe quando a máquina é um laptop e o orçamento é de 16GB de memória. A nota de lançamento apresenta o 12B como a ponte entre o E4B e o 26B A4B, e a ficha técnica confirma isso.

A diferença mais interessante é arquitetural, e é a razão pela qual o 12B é rotulado como "Unified" em vez de apenas "Dense". Todos os outros modelos multimodais da família encaminham imagens e áudio por codificadores dedicados antes de entregar o resultado ao modelo de linguagem — a ficha lista um codificador de visão de ~150M e um codificador de áudio de ~300M nos tamanhos E, e um codificador de visão de ~550M tanto no 31B quanto no 26B A4B. O 12B não tem nenhum dos dois; a coluna de parâmetros do codificador de visão e áudio no 12B aparece como um traço em ambos os casos.

O que os substituiu é pequeno. O post de lançamento descreve a visão como um módulo de embedding leve — uma única multiplicação de matrizes mais embedding posicional e normalização — e o áudio como a remoção completa do codificador e a projeção do sinal bruto no mesmo espaço dimensional dos tokens de texto. Patches de imagem brutos e formas de onda de áudio vão direto para um único transformer apenas com decodificador. O benefício declarado é menor latência multimodal e a capacidade de fazer ajuste fino de todo o sistema em uma única passagem, entre modalidades, com um único adaptador em vez de um por codificador.

É também por isso que o 12B é o primeiro Gemma de porte médio com entrada de áudio nativa. No card, "Texto, Imagem, Áudio" é a linha de modalidade para E2B, E4B e 12B; o 31B e o 26B A4B estão marcados apenas como "Texto, Imagem".

A especificação, conforme consta no cartão do modelo

Tudo nesta seção provém da ficha do modelo Gemma 4 em ai.google.dev, que abrange toda a família e não apenas o 12B. Onde a ficha é omissa, isso é indicado em vez de ser preenchido.

• Comprimento do contexto — 256K tokens no 12B. O cartão observa explicitamente a divisão: os modelos pequenos (E2B, E4B) recebem 128K, os modelos médios (12B, 26B A4B, 31B) recebem 256K.

• Modalidade — entrada de texto, imagem e áudio; saída de texto. O cartão lista vídeo como uma capacidade da família processada como sequências de quadros, e descreve a entrada de imagem em proporção de aspeto e resolução variáveis em todos os tamanhos.

• Parâmetros totais — 11,95B, denso, 48 camadas. O cartão não fornece um número de parâmetros ativos porque não há especialistas para ativar.

• Janela deslizante — 1.024 tokens, o dobro dos 512 usados pelos E-sizes.

• Vocabulário — 262K, compartilhado entre todos os cinco tamanhos.

• Atenção — um híbrido que intercala atenção local de janela deslizante com atenção global completa, com a camada final sempre global. Camadas globais usam chaves e valores unificados além de RoPE proporcional para conter o consumo de memória em contextos longos.

• Idiomas — pré-treinado em mais de 140 idiomas, com o cartão alegando suporte pronto para uso em mais de 35.

Dois números que vale a pena conciliar, porque parecem uma divergência e não são. O model card diz 256K tokens; a página de modelo do Artificial Analysis para Gemma 4 12B diz 262k. São o mesmo valor escrito de duas formas — 262.144 tokens é 256K — e o número de vocabulário de 262K do card, logo ali ao lado, é o que faz o par parecer contraditório à primeira vista.

Em benchmarks, o cartão publica uma tabela da família para os checkpoints ajustados por instrução, e esses são números reportados pelo fornecedor, não independentes. No caso do Gemma 4 12B, o cartão lista 77,2% no MMLU Pro, 78,8% no GPQA Diamond, 77,5% no AIME 2026 sem ferramentas, 72,0% no LiveCodeBench v6, um ELO de 1659 no Codeforces, 69,1% no MMMU Pro e 43,4% no MRCR v2 a 128K com oito agulhas. A mesma tabela coloca Gemma 4 26B A4B a 82,6% no MMLU Pro, 88,3% no AIME, 77,1% no LiveCodeBench e 44,1% no MRCR — à frente na maioria das linhas, o que seria de esperar do modelo maior, e suficientemente próximo em algumas para que a diferença de tamanho não seja toda a história.

A leitura independente, da Artificial Analysis, é uma única manchete: uma pontuação de 14 no Intelligence Index, classificado em 20º lugar entre 141 modelos em sua classe de comparação, com uma velocidade de saída medida de 110,9 tokens por segundo e um custo combinado de US$ 0,10 por milhão de tokens de entrada e US$ 0,30 por milhão de tokens de saída. Esses números de custo são uma mediana entre plataformas de terceiros que servem os pesos abertos, não um preço de tabela do fornecedor — vale a pena ser preciso quanto a isso, porque o fornecedor não publica, em absoluto, nenhum preço por token para o 12B no cartão do modelo.

Executando-o: o que ele realmente precisa

O post de lançamento apresenta o requisito principal diretamente: o 12B é "pequeno o suficiente para rodar localmente com apenas 16GB de VRAM ou memória unificada". Os tamanhos de quantização publicados para ele tornam isso concreto.

• Precisão total — o checkpoint ajustado para instruções no Hugging Face é um único arquivo safetensors de 23,92 GB. Em bfloat16, essa é a pegada bruta dos pesos, antes de qualquer cache KV, então uma máquina de 16 GB não consegue comportá-lo e uma placa de 24 GB fica no limite.

• As compilações quantizadas do próprio fornecedor — porque o 12B foi lançado com treino ciente de quantização, e não apenas com um quantizador pós-hoc. O fornecedor publica um QAT GGUF de aproximadamente 6,98 GB para os pesos, mais um ficheiro de projeção multimodal de 0,18 GB, e uma compilação QAT compressed-tensors (w4a16) de 10,26 GB. Existe também um checkpoint QAT não quantizado publicado especificamente como a base a partir da qual fazer fine-tune antes de requantizar.

• GGUF da comunidade — a build Unsloth amplamente espelhada varia de cerca de 4,2 GB na configuração de 2 bits mais agressiva até 6,38 GB em IQ4_XS, 7,12 GB em Q4_K_M, 8,41 GB em Q5_K_M e 12,67 GB em Q8_0. O espelho do LM Studio publica Q4_K_M com 7,38 GB, Q6_K com 9,79 GB e Q8_0 com 12,67 GB, cada um com o mesmo arquivo de projeção de 0,18 GB.

• MLX — uma versão quantizada de 8 bits para Apple silicon fica em torno de 12,7 GB distribuídos em três arquivos; uma versão comunitária de 4 bits de um fine-tune de codificação fica perto de 6,7 GB.

Vistos em conjunto, essa é a resposta prática para «isto vai caber». Uma variante de 4 bits do Gemma 4 12B, com cerca de 7 GB, é a versão que faz um portátil de 16 GB funcionar, exatamente como o fabricante afirma. Se quiser o modelo sem quantização, o alvo é uma placa de 24 GB ou mais, e se quiser o contexto completo de 256K, precisa de margem adicional para além do espaço ocupado pelos pesos, para a cache.

Duas coisas que as fontes não lhe dão e que esta página não vai inventar. Não há qualquer valor de débito publicado pelo fornecedor para inferência local — os 110,9 tokens por segundo da Artificial Analysis são uma medição alojada em infraestrutura de terceiros, não um número de portátil, e os dois não são intercambiáveis. E não há qualquer tabela publicada de RAM mínima por quantização; os tamanhos acima são tamanhos de ficheiro, o que é um limite inferior, não um requisito.

O que o model card documenta é a cadeia de ferramentas ao redor, e não qualquer runtime único consagrado: Hugging Face Transformers, llama.cpp, MLX, SGLang, vLLM e Unsloth para inferência e ajuste fino, com LM Studio, Ollama e LiteRT-LM como os caminhos locais empacotados, e os pesos no Hugging Face e no Kaggle. O 12B também vem com drafters de previsão de múltiplos tokens, publicados como checkpoints assistentes separados — um pequeno download adicional que troca memória por latência.

Um fato de roteamento, dito de forma clara porque é o tipo de coisa que uma página de comparação deixa ambígua: Gemma 4 12B não é um modelo que a OrcaRouter atende, em nenhuma grafia — nem o nome puro, nem uma variante datada, nem uma quantizada. Os tamanhos do Gemma 4 que roteamos são o 26B A4B e o 31B. Portanto, se você quiser chamar esse modelo, a rota é hospedar os pesos você mesmo ou usar um host de terceiros que os disponibilize; se preferir não executá-lo por conta própria, o próximo passo honesto é verificar se um tamanho diferente da família lhe dá o que você precisava.

Leyfið, sérstaklega fyrir þessa stærð

O cartão de modelo do Gemma 4 declara a licença como Apache 2.0 e aponta para a página da licença do Gemma 4, que disponibiliza o texto da Apache 2.0 — a licença Apache padrão, sem limites de uso, sem limite de usuários ativos mensais e sem nível comercial separado. O repositório do Hugging Face para o checkpoint ajustado por instruções de 12B traz a mesma declaração em seus metadados e aponta para o mesmo URL da licença. Portanto, para esse tamanho, a questão da licença tem uma resposta curta: use, modifique e redistribua, comercialmente ou não, sob os termos da Apache 2.0.

Existem dois documentos complementares ao lado dele que vale a pena conhecer, em vez de os confundir com a licença. O fornecedor publica uma página de Termos de Utilização da Gemma e uma Política de Utilização Proibida da Gemma. A política de utilização proibida é um documento comportamental que enumera categorias de resultados que os modelos não podem ser utilizados para gerar. É uma política, não uma restrição de licença sobre os pesos — os próprios pesos são Apache 2.0, o que é precisamente o que torna possíveis, de todo, os derivados comunitários deste modelo. Se estiver a redistribuir Gemma 4 12B ou uma versão afinada dele, a licença é o que rege a sua redistribuição; a política é o que rege a utilização aceitável.

Essa distinção responde à questão que o ecossistema comunitário de derivados levanta, sem ser necessário caracterizar o comportamento de ninguém. Como os pesos são abertos sob uma licença permissiva, terceiros podem e de facto publicam ajustes finos e quantizações do 12B — variantes abliteradas, ajustes finos de domínio, receitas alternativas de quantização. O que a licença permite é a redistribuição desses derivados; a licença é também a razão pela qual eles existem.

As três comparações por trás das quais esta página se encontra

As três páginas ativas sob esta raiz são confrontos, e cada uma já responde a uma pergunta diferente. Esta página não arbitra nenhuma delas — ela é a coisa que elas descrevem.

• Gemma 4 12B vs Gemini 3.5 Flash-Lite — define o que acontece quando ambas as opções são do fornecedor e o eixo é como você paga: um modelo que você baixa sob Apache 2.0 contra o nível medido mais barato da API hospedada.

• Gemma 4 12B vs GLM 5.2 — resolve o pareamento absurdamente assimétrico: um 12B sem encoder que você aponta para um laptop versus um mixture-of-experts de pesos abertos com 744 bilhões de parâmetros, feito para codificação agêntica de horizonte longo a um preço várias vezes maior.

• Gemma 4 12B vs Qwen3.8 Max — resolve diretamente a questão entre modelo local e modelo alugado: uma máquina na sua mesa contra o carro-chefe do mesmo laboratório servido por token.

Se o que você realmente quer é um dos outros tamanhos do Gemma 4, em vez de outra comparação com o 12B, a página que cobre todos os cinco de uma vez é o hub da família, que é onde o E2B, o E4B, o 26B A4B e o 31B são descritos juntos. E se você já decidiu que o 12B não é o tamanho certo, os modelos com os quais ele é mais frequentemente comparado — GLM 5.2, Qwen3.8 Max e Gemini 3.5 Flash-Lite — estão todos acessíveis pelo OrcaRouter com uma única chave, com 0% de markup sobre o preço de tabela do próprio provedor, então um corte de preço do fornecedor chega aqui no mesmo dia em que é anunciado.

O que não está resolvido

Duas lacunas merecem ser declaradas em vez de encobertas. A tabela de benchmarks acima é relatada pelo fornecedor — a própria ficha do fornecedor e a configuração de avaliação — e, embora a Artificial Analysis tenha desde então avaliado o modelo de forma independente com um Intelligence Index de 14, não há ampla replicação independente dos números por benchmark, então trate os números em nível de linha como alegações. E não há tabela publicada de memória por quantização para o 12B, o que significa que a frase "16GB é suficiente" é uma alegação do fornecedor com tamanhos de arquivo que a sustentam, não uma configuração medida que se possa copiar.

O próprio modelo é fácil de posicionar: um modelo multimodal de 12 bilhões de parâmetros, sem encoder, sob Apache 2.0, datado de 3 de junho de 2026, que rodará em um laptop em 4 bits e é o menor tamanho do Gemma 4 com áudio nativo. O que ele não é: um modelo com uma tarifa de primeira parte para hospedagem, e é por isso que a decisão prática em torno dele é, primeiro, uma decisão de hardware e, depois, uma decisão de preço.

Se você chegou aqui a partir de um confronto e esse confronto não é o que você precisava, a próxima página é a comparação que corresponde à sua pergunta e, na falta dela, a família Gemma 4 mais ampla — o 12B é um tamanho entre cinco, e o tamanho que você realmente quer pode ser o 26B A4B que você pode chamar hoje ou o 31B que você pode executar no topo da faixa da família.