Gemma 12B Unified

Gemma 4 12B Unified ist das multimodale Arbeitsmodell der Gemma-Familie und verarbeitet Text, Bilder, Audio und Video nativ in einem einzigen Modell — ohne separate Encoder-Pipelines. Mit 256.000 Token Kontextfenster und rund 12 Milliarden Parametern positioniert sich das Modell zwischen den kompakten Edge-Varianten und dem großen 31B-Flaggschiff: groß genug für anspruchsvolle Multimodalität, kompakt genug für den Betrieb auf einer einzelnen leistungsfähigen GPU.

Typische Einsatzbereiche sind die Auswertung von Besprechungsaufzeichnungen inklusive gesprochener Sprache und Präsentationsfolien, die automatisierte Analyse von Video-Inspektionsprotokollen in der Fertigung oder Support-Workflows, in denen Kunden Sprachnachrichten, Fotos und Text gemischt einreichen. Da alle Modalitäten in einem Modell zusammenlaufen, entfällt der Aufwand, mehrere spezialisierte Modelle zu orchestrieren und deren Ausgaben zusammenzuführen.

Im Vergleich zu Gemma 4 E4B verzichtet 12B Unified auf die Optimierung für Mobilgeräte, bietet dafür deutlich mehr Kapazität für komplexe multimodale Aufgaben. Gegenüber dem 31B-Modell fehlt die maximale Reasoning-Tiefe, dafür lässt sich 12B Unified mit moderaterer Hardware betreiben — ein praktischer Kompromiss für Unternehmen, die Multimodalität priorisieren, aber keine große GPU-Farm vorhalten wollen.

Wie das gesamte Gemma-4-Portfolio steht auch 12B Unified unter der Apache-2.0-Lizenz. Für den DSGVO-konformen Betrieb bedeutet das: Self-Hosting im eigenen Rechenzentrum verhindert von vornherein, dass Bild-, Audio- oder Videoinhalte eine externe Infrastruktur erreichen — ein Vorteil gerade bei personenbezogenen Aufnahmen aus Kundengesprächen oder internen Meetings.