Google lanza Gemma 4 12B: IA multimodal local para laptops con 16GB de memoria

TL;DR:

Google presentó Gemma 4 12B , un modelo multimodal open-weight capaz de procesar texto, imagen, audio y video.

El modelo tiene 11.95 mil millones de parámetros , ventana de contexto de 256K tokens y licencia Apache 2.0.

Su mayor apuesta está en correr IA multimodal localmente, sin depender siempre de APIs en la nube.

El 3 de junio de 2026, Google presentó su nuevo modelo multimodal "Gemma 4 12B". Se trata de una inteligencia artificial que ahorra recursos y funciona en portátiles con 16 GB de VRAM o memoria integrada. Pero eso no es todo. Google no solo se centra en modelos potentes, sino también en crear un entorno donde las empresas y los equipos de desarrollo puedan trabajar con texto, imágenes, audio y vídeo en su propio hardware. El punto clave es el tipo de presentación: promete una latencia baja y intransigente, así como la capacidad de almacenar datos sensibles de forma segura

Gemma 4 12B es un modelo multimodal de Google DeepMind que puede recibir texto, imágenes, audio y video como entrada, y generar texto como salida. Forma parte de la familia Gemma 4 y se distribuye en versiones preentrenadas e instruction-tuned, con pesos disponibles en Hugging Face y Kaggle.

La diferencia clave está en su arquitectura. Google lo describe como un modelo unificado y sin encoders multimodales separados : en vez de pasar audio o imagen por módulos pesados antes de llegar al modelo de lenguaje, Gemma 4 12B proyecta esos datos directamente al espacio de embeddings del LLM mediante capas ligeras.

La arquitectura sin encoder reduce memoria y latencia en tareas multimodales

En modelos multimodales tradicionales, las imágenes y el audio suelen pasar por encoders independientes. Ese diseño funciona, pero aumenta el consumo de memoria y puede agregar latencia. Google intenta recortar ese costo con una ruta más directa.

En Gemma 4 12B , la parte visual usa un módulo de embedding de 35 millones de parámetros que sustituye las capas del encoder visual de otros modelos Gemma medianos. Para audio, Google eliminó el encoder separado y proyecta señales de 16 kHz en segmentos de 40 milisegundos hacia el espacio de entrada del modelo.

Las claves técnicas del modelo son:

• 11.95 mil millones de parámetros en la variante 12B Unified.
• 256K tokens de contexto.
• Entrada multimodal: texto, imagen, audio y video.
• Soporte nativo para function calling.
• Modo de razonamiento configurable, conocido como thinking.
• Licencia Apache 2.0.
• Compatibilidad con herramientas como Transformers , llama.cpp , MLX , SGLang , vLLM y Unsloth.

Photo by Jo Lin / Unsplash

Para las empresas, esto no es solo un problema técnico, los modelos de esta escala les permiten externalizar algunos de los procesos de IA que anteriormente se ejecutaban en la nube, como análisis de documentos internos, transcripción simple, herramientas de soporte de código, clasificación de imágenes, extracción de datos de fotos o agentes internos que no deben divulgar información sensible al exterior.

Gemma 4 12B no reemplaza a los modelos gigantes, pero abre otra ruta para empresas

Google afirma que Gemma 4 12B alcanza resultados cercanos a su modelo Gemma 4 26B A4B MoE en varias pruebas, aunque no lo supera de forma general. En la tarjeta del modelo, la variante 12B registra 77.2% en MMLU Pro , 77.5% en AIME 2026 sin herramientas , 72.0% en LiveCodeBench v6 y 78.8% en GPQA Diamond.

Esos números colocan al modelo en un punto interesante: no es el más grande de la familia, pero sí el que mejor combina multimodalidad, tamaño manejable y ejecución local. Para compañías en México y América Latina, esa combinación puede pesar más que perseguir el benchmark más alto.

Los casos donde Gemma 4 12B tiene más sentido son:

• Privacidad estricta: procesamiento local de documentos, audio o imágenes sin enviarlos a APIs externas.
• Trabajo sin conexión: uso en campo, viajes, plantas industriales o equipos con conectividad limitada.
• Costos controlados: menor dependencia de consumo variable en cloud.
• Agentes internos: automatización con function calling, prompts de sistema y flujos con herramientas.
• Desarrollo local: pruebas, prototipos y fine-tuning en equipos con GPU o memoria unificada suficiente.

La promesa tiene límites claros. Google indica que el audio soporta una duración máxima de 30 segundos y el video llega hasta 60 segundos , asumiendo procesamiento a un cuadro por segundo. Para archivos largos, reuniones completas o video de larga duración, las empresas necesitarán dividir el contenido en segmentos o usar otra arquitectura.

La disponibilidad inmediata fortalece el ecosistema local de IA

Gemma 4 12B ya aparece como modelo descargable en Hugging Face , con tarjeta técnica, detalles de arquitectura, benchmarks, usos previstos y limitaciones. Google también lo lista dentro del ecosistema Gemma 4, con descarga desde Kaggle y soporte en herramientas de despliegue para desarrolladores.

El mensaje de Google es directo: no todo flujo de IA debe vivir en un centro de datos remoto. Para equipos que manejan datos sensibles, código propietario o flujos internos, un modelo multimodal local con licencia permisiva puede cambiar la conversación de “qué API contratamos” a “qué tareas podemos correr en nuestra propia máquina”.

La lectura fría es esta: Gemma 4 12B no elimina la necesidad de modelos más grandes ni de RAG bien diseñado para conocimiento empresarial. Pero sí baja la barrera para que la IA multimodal privada deje de ser un lujo de infraestructura y empiece a funcionar en laptops reales.

Fuentes: 1