Google DeepMind、統一エンコーダフリーのマルチモーダルモデル「Gemma 4 12B」を発表

近年のAI研究では、テキスト、画像、音声など異なるモダリティを統合的に理解するマルチモーダルAIが主流になりつつあります。既存の多くのモデルは、各モダリティに対応する個別のエンコーダを必要としますが、Google DeepMindが開発したGemma 4 12Bは、これを克服する「統一エンコーダフリー」という革新的なアプローチを採用しています。このモデルは、120億のパラメータを持ち、単一のアーキテクチャでテキストと画像をシームレスに処理できるため、より効率的で汎用性の高いマルチモーダル推論が可能になります。これにより、開発者は複雑なパイプラインを構築することなく、画像キャプション生成、ビジュアルQ&A、テキスト生成と画像理解を組み合わせたタスクなどをより簡単かつ高性能に実現できます。技術的な意義として、エンコーダフリー設計はモデルの複雑性を低減し、推論速度とリソース効率を向上させる点で大きなブレークスルーです。オープンソースとして提供されるため、幅広い研究者や開発者がこの最先端技術を活用し、新たなアプリケーションや研究を推進することが期待されます。今後は、Gemma 4 12Bを基盤とした多様なマルチモーダルアプリケーションの登場や、さらなるモデル規模の拡大、性能向上が注目されます。