Google DeepMind выкатили Gemma 4 12B 🔥 — плотную модель на 11,95 млрд параметров без отдельных кодировщиков для картинок и звука. Всё летит напрямую в латентное пространство модели, чисто рескейлится в токены. 16 ГБ видеопамяти хватает даже без квантизации — красота для владельцев картофелин с 8-гиговыми видеокартами 🥔
Фишка: картинка режется на кусочки 48×48 пикселей, каждый превращается в вектор одним матричным умножением. Модель сама разбирается что где на фото. Дешево и сердито, но грубовато — зеркало на портрете ван Эйка модель приняла за часы 🕰️, хотя мем с кексом в духовке распознала на ура.
В кодинге Gemma реально шарит: за 72 минуты выкатила рабочий калькулятор на Python+веб-морда, без косяков. Explicit-инструкции нужны железно — на размытый промпт сначала выдала простейший бухкалькулятор, но с деталями справилась отлично.
Аудио — отдельная песня. Английскую речь (даже старый фильм 1930 года с шумами) транскрибирует на ура, включая акценты спикеров. А вот с русским — швах, через 30 сек скатывается в дурацкий луп "А, здравствуйте. А, здравствуйте" 🔁. Видимо, датасет русского маловато.
Со старорусским текстом та же беда: скорость перевода в 2-3 раза выше чем у Qwen3.8 (0,6 vs 0,2-0,4 токена/сек), но точность хромает — путает буквы, домысливает слова, ошибается в оцифровке дореформенной орфографии.
В рассуждениях местами прокол глубины: не проверила математику ("158 млн" вместо правильных 1,58 млрд), хотя логику потом объяснила верно. Thinking-режим слабее, чем у Qwen3.8 medium.
В стилизации текста (деловые письма, соцсети, аналитика) — вери гуд, хоть местами путает "вы"/"ты" и вообще путает духи с алкоголем, Исландию с Ирландией 😅 Но структуру и тон держит четко, корпоративный булшит-спик освоила на отлично.
Итог: для программерских задач и англоязычного контента — топ выбор среди локальных моделей. Для русского языка и точной оцифровки сканов — лучше взять Qwen3.8, у неё классический кодировщик и точность выше.