Google DeepMind가 Gemma 4 12B를 공개하면서 던진 메시지는 분명하다. 멀티모달 AI가 클라우드 서버나 고가 GPU에만 머물던 시대가 끝났다는 것이다. 16GB RAM만 있으면 일반 노트북에서 텍스트, 이미지, 오디오를 동시에 처리할 수 있다.
기술적으로 가장 주목할 부분은 별도 인코더를 없앤 아키텍처 결정이다. 기존 멀티모달 모델들은 텍스트 인코더, 이미지 인코더, 오디오 인코더를 각각 탑재한 뒤 결과를 합치는 방식을 썼다. 인코더가 늘수록 메모리 요구량이 커지고 파이프라인이 복잡해진다. Gemma 4 12B는 이 모든 모달리티를 단일 아키텍처 안에서 네이티브로 처리한다. Google이 공개한 개발자 가이드에 따르면 5분짜리 Google I/O 키노트 영상을 초당 1프레임씩 313장 추출하면서 오디오까지 병렬로 분석했다. 이 작업이 클라우드 없이 로컬에서 가능하다는 게 핵심이다.
벤치마크 결과는 파라미터 효율성 면에서 흥미롭다. GPQA Diamond, MMLU Pro, DocVQA 기준으로 12B 모델이 자신의 두 배 규모인 26B 모델에 거의 근접했고, 이전 세대 Gemma 3 27B를 명확하게 앞섰다. 중형 규모에서 오디오 네이티브 처리를 처음 지원한 모델이기도 하다. 음성 인식, 코드 생성, 영상 분석을 하나의 모델로 커버하면서 별도 파이프라인을 조합하는 수고가 줄어든다.
라이선스는 Apache 2.0이어서 상업적 사용에도 제약이 없다. Hugging Face, Ollama, LM Studio 등 주요 플랫폼에서 바로 내려받을 수 있다. 성능 수치가 Google 자체 측정이라는 점은 독립 평가가 쌓일 때까지 감안해야 하지만, 아키텍처 방향 자체 — 인코더 없이 단일 패스로 세 가지 모달리티를 처리하는 구조 — 는 로컬 AI의 실용 임계점을 낮추는 데 의미가 크다. 이 모델이 진짜로 흥미로운 이유는 12B짜리 모델 하나가 음성·영상·텍스트를 동시에 소화하면서도 맥북 한 대 메모리 안에 들어간다는 점이다.