Google Rilis Gemma 4 12B, Ini Keunggulannya

MPN Indonesia 5 Juni 2026 - Google memperkenalkan model kecerdasan buatan (AI) open-source terbarunya, Gemma 4 12B, pada Rabu (3/6).

Gemma 4 12B dirancang untuk menjalankan AI multimodal secara langsung di laptop dan komputer pengguna tanpa perlu bergantung pada server cloud.

Model ini memungkinkan pengolahan input teks, gambar, dan audio secara native pada perangkat dengan VRAM atau memori terpadu 16 GB.

Gemma 4 12B menjadi model Gemma berukuran menengah pertama yang mendukung input audio secara langsung, tanpa perlu encoder terpisah.

Model ini diklaim mampu mengurangi waktu pemrosesan, penggunaan memori, dan latensi sistem saat menjalankan AI multimodal dan agentic.

Kemampuan Gemma 4 12B

Gemma 4 12B menggunakan arsitektur multimodal tanpa encoder, yang memungkinkan input visual, audio, dan teks langsung diproses oleh LLM backbone.

Untuk pemrosesan gambar, Google mengganti vision encoder dengan modul embedding ringan yang terdiri dari satu perkalian matriks, positional embedding, dan normalisasi.

Sinyal audio mentah diproyeksikan langsung ke ruang representasi token teks tanpa melalui encoder audio terpisah.

Model ini dapat digunakan untuk berbagai tugas kompleks, termasuk pengenalan suara (speech recognition), transkripsi audio, penerjemahan suara, pembuatan kode, analisis video, dan pemahaman video berdurasi lima menit.

Google mencontohkan kemampuan tersebut melalui analisis cuplikan presentasi Google I/O dengan frame video dan audio secara bersamaan.

Selain itu, Gemma 4 12B mendukung integrasi pengembang di perangkat desktop melalui LiteRT-LM.

Pengguna dapat menjalankan Gemma 4 12B sebagai server API lokal kompatibel OpenAI, atau menggunakan aplikasi macOS asli untuk interaksi lisan dan visual offline.

Model ini kompatibel dengan berbagai kerangka kerja seperti Hugging Face, llama.cpp, MLX, SGLang, dan vLLM, serta dapat disesuaikan melalui fine-tuning menggunakan Unsloth.

Ketersediaan

Gemma 4 12B kini tersedia di platform seperti Hugging Face, Ollama, dan LM Studio.

Model ini dirilis dengan lisensi Apache 2.0, memungkinkan penggunaan untuk kebutuhan komersial.

Google juga menyediakan repositori keterampilan resmi untuk mendukung pengembangan agen multimodal berbasis Gemma.

(AKM/NID/RAD)