Bu yaklaşımın pratik hedefi, ileri düzey akıl yürütme ve çok modlu görevleri yaklaşık 16 GB ekran kartı belleği ya da birleşik bellek kapasitesine sahip tüketici bilgisayarlarında çalıştırabilmek. Böylece görüntü veya ses analizi için her biri ayrıca yüklenen büyük yapay zekâ bileşenlerine duyulan ihtiyaç azalıyor .

“Kodlayıcısız” Unified mimari ne anlama geliyor?

Geleneksel çok modlu modeller genellikle aşamalı bir işlem hattı kullanır. Görüntü kodlayıcısı resim parçalarını, ses kodlayıcısı ise ses dalgalarını analiz eder; büyük dil modeli de bu işlemden geçirilmiş temsilleri alarak yanıt üretmeye başlar. Bu kodlayıcılar çoğu zaman yüz milyonlarca parametre içerir ve yanıt süresine mimari bir ek yük getirir .

Gemma 4 12B Unified, görüntü ve ses kodlayıcılarını tamamen kaldırarak tüm girdileri tek bir decoder-only Transformer omurgasında birleştiriyor. Ham girdiler, hafif doğrusal projeksiyonlar aracılığıyla dil modelinin gömme (embedding) alanına taşınıyor .

• Görüntü: Yaklaşık 35 milyon parametreli kompakt bir gömme modülü, tam bir görsel Transformer’ının yerini alıyor. Ham 48×48 piksellik görüntü parçaları, tek bir matris çarpımıyla modelin gizli boyutuna aktarılıyor. Görüntü parçalarının konumunu belirtmek için öğrenilmiş konum gömmeleri yerine ayrı X ve Y matrislerinden oluşan çarpanlara ayrılmış koordinat araması kullanılıyor .
• Ses: 16 kHz’lik ham ses sinyali, her biri 40 milisaniye ve 640 kayan noktalı değerden oluşan çerçevelere bölünüyor. Bu çerçeveler, başka Gemma 4 sürümlerinde kullanılan 12 conformer katmanını atlayarak doğrudan modelin giriş alanına yansıtılıyor .
• Eğitim ve ince ayar: Metin, görüntü ve ses girdileri modelin ortak ağırlıklarıyla işleniyor. Bu yapı, Hugging Face Transformers veya Unsloth gibi araçlarla LoRA ya da tam ağırlık ince ayarını tek bir birleşik işlem akışında yapmayı kolaylaştırıyor .

Sonuç, 256 bin token’a kadar bağlam penceresine sahip ve metin, görüntü, ses ile videoyu doğal olarak işleyebilen tek bir model omurgası. Ayrı kodlayıcı aşamalarının kaldırılması, yalnızca bellek kullanımını değil, çok modlu girdilerin işlenmeye başlamasındaki gecikmeyi de azaltmayı amaçlıyor .

Benchmark sonuçları: Daha küçük model, daha yüksek skorlar

Google’ın resmî model kartında yer alan sonuçlar, Gemma 4 12B’nin yalnızca kendi boyut sınıfında rekabet etmediğini gösteriyor. Model, referans olarak verilen daha büyük Gemma 3 27B’yi çeşitli akıl yürütme, kodlama ve çok modlu testlerde belirgin biçimde geride bırakıyor .

Özellikle lisansüstü düzeyde biyoloji, fizik ve kimya sorularını ölçen GPQA Diamond testindeki %78,8’lik sonuç dikkat çekiyor. Bu skor, önceki nesil Gemma 3 27B’ye kıyasla 36,4 puanlık artış anlamına geliyor. AIME 2026’daki %77,5’lik sonuç da önceki modelin %20,8’lik puanına göre büyük bir sıçramaya işaret ediyor .

Bu veriler, ayrı kodlayıcı katmanlarının kaldırılmasının modelin akıl yürütme kapasitesini zorunlu olarak azaltmadığını gösteriyor. Ancak benchmark sonuçları, her gerçek kullanım senaryosunda aynı performansın alınacağını garanti etmiyor; donanım, nicemleme ve görev türü pratik deneyimi etkileyebilir.

Lisans, donanım ve yerel çalıştırma seçenekleri

Gemma 4 12B, ticari kullanıma izin veren Apache 2.0 lisansı altında açık ağırlıklarla yayımlandı. Bu lisans, geliştiricilere modeli kendi uygulamalarına entegre etme ve yerel sunucularda çalıştırma konusunda geniş bir hareket alanı sağlıyor .

Modelin öne çıkan taraflarından biri de yayımlandığı gün geniş bir yerel yapay zekâ ekosisteminde kullanılabilmesi:

• llama.cpp: CPU ve GPU üzerinde verimli çalıştırma için GGUF nicemlenmiş sürümler.
• Ollama: macOS ve Linux’ta daha basit, komut satırı odaklı kurulum; Gemma 4 desteği için 0.20 ve üzeri sürümler.
• LM Studio: Yerel modelleri keşfetmek ve masaüstü arayüzüyle çalıştırmak isteyen kullanıcılar için grafik arayüz.
• MLX: Apple Silicon işlemcilerde birleşik bellek mimarisinden yararlanan yerel çalıştırma seçeneği.
• vLLM: Yüksek hacimli GPU ve TPU sunumu için altyapı.
• Unsloth: Nicemleme, yerel çıkarım ve ince ayar işlemlerini macOS, Windows ve Linux’ta sunan açık kaynaklı Studio arayüzü .

Bu desteğin ilk günden gelmesi, modelin yalnızca araştırma amaçlı bir ağırlık dosyası olarak kalmaması açısından önemli. Kullanıcılar, tercih ettikleri araca göre masaüstü arayüzü, komut satırı, geliştirici kütüphanesi veya sunucu altyapısı üzerinden ilerleyebiliyor.

Gemma Chat ile çevrim dışı kod üretimi

Gemma 4 12B’nin yanında, yerel çok modlu yapay zekânın günlük kullanımını gösteren bağımsız bir masaüstü uygulaması da öne çıkıyor: Gemma Chat. Google tasarımcısı Ammar Reshi tarafından geliştirilen MIT lisanslı Electron uygulaması GitHub üzerinden erişilebilir .

Gemma Chat, Gemma 4 modellerini Apple’ın MLX çerçevesi aracılığıyla Apple Silicon üzerinde yerel olarak çalıştırıyor. İlk model indirmesinden sonra API anahtarı, bulut hizmeti veya internet bağlantısı gerektirmiyor .

Uygulamanın en dikkat çekici özelliği Build Mode adlı kodlama ajanı modu. Kullanıcı, oluşturmak istediği projeyi doğal dille tarif ediyor; model de HTML, CSS ve JavaScript dosyalarını üretirken sonucu canlı önizleme paneline aktarıyor. Çok dosyalı projeler için tasarlanan bu akış, özellikle prototip hazırlamak ve kodlama öğrenmek isteyenler için yerel ve çevrim dışı bir çalışma ortamı sunuyor .

Gemma Chat ayrıca sesli giriş ve yapılandırılmış araç çağrıları için XML tabanlı yönlendirme kullanıyor. Uygulama, yeni kodlayıcısız 12B modelini de MLX üzerinden çalıştırabildiği için Gemma 4 12B’nin yerel kullanım iddiasını somut bir masaüstü deneyimine dönüştürüyor .

Sonuç

Gemma 4 12B’nin asıl yeniliği yalnızca 12 milyar parametreyi bir dizüstü bilgisayara sığdırmak değil. Google, çok modlu yapay zekânın görüntü ve sesi önce ayrı kodlayıcılardan geçirmesi gerektiği yönündeki yaygın tasarım anlayışından uzaklaşıyor. Ham girdileri hafif projeksiyonlarla tek bir dil modeli omurgasına aktaran Unified mimari, daha sade bir yerel dağıtım ve ince ayar yolu vaat ediyor .

Benchmark sonuçları bu yaklaşımın iddialı olduğunu gösterirken, Apache 2.0 lisansı ve geniş araç desteği modeli geliştiriciler açısından daha erişilebilir kılıyor. Gemma Chat gibi uygulamalar da güçlü yapay zekâ özelliklerinin her zaman bulut aboneliği veya API anahtarı gerektirmeyebileceğini gösteriyor.

Bu yaklaşımın pratik hedefi, ileri düzey akıl yürütme ve çok modlu görevleri yaklaşık 16 GB ekran kartı belleği ya da birleşik bellek kapasitesine sahip tüketici bilgisayarlarında çalıştırabilmek. Böylece görüntü veya ses analizi için her biri ayrıca yüklenen büyük yapay zekâ bileşenlerine duyulan ihtiyaç azalıyor .

“Kodlayıcısız” Unified mimari ne anlama geliyor?

Geleneksel çok modlu modeller genellikle aşamalı bir işlem hattı kullanır. Görüntü kodlayıcısı resim parçalarını, ses kodlayıcısı ise ses dalgalarını analiz eder; büyük dil modeli de bu işlemden geçirilmiş temsilleri alarak yanıt üretmeye başlar. Bu kodlayıcılar çoğu zaman yüz milyonlarca parametre içerir ve yanıt süresine mimari bir ek yük getirir .

Gemma 4 12B Unified, görüntü ve ses kodlayıcılarını tamamen kaldırarak tüm girdileri tek bir decoder-only Transformer omurgasında birleştiriyor. Ham girdiler, hafif doğrusal projeksiyonlar aracılığıyla dil modelinin gömme (embedding) alanına taşınıyor .

• Görüntü: Yaklaşık 35 milyon parametreli kompakt bir gömme modülü, tam bir görsel Transformer’ının yerini alıyor. Ham 48×48 piksellik görüntü parçaları, tek bir matris çarpımıyla modelin gizli boyutuna aktarılıyor. Görüntü parçalarının konumunu belirtmek için öğrenilmiş konum gömmeleri yerine ayrı X ve Y matrislerinden oluşan çarpanlara ayrılmış koordinat araması kullanılıyor .
• Ses: 16 kHz’lik ham ses sinyali, her biri 40 milisaniye ve 640 kayan noktalı değerden oluşan çerçevelere bölünüyor. Bu çerçeveler, başka Gemma 4 sürümlerinde kullanılan 12 conformer katmanını atlayarak doğrudan modelin giriş alanına yansıtılıyor .
• Eğitim ve ince ayar: Metin, görüntü ve ses girdileri modelin ortak ağırlıklarıyla işleniyor. Bu yapı, Hugging Face Transformers veya Unsloth gibi araçlarla LoRA ya da tam ağırlık ince ayarını tek bir birleşik işlem akışında yapmayı kolaylaştırıyor .

Sonuç, 256 bin token’a kadar bağlam penceresine sahip ve metin, görüntü, ses ile videoyu doğal olarak işleyebilen tek bir model omurgası. Ayrı kodlayıcı aşamalarının kaldırılması, yalnızca bellek kullanımını değil, çok modlu girdilerin işlenmeye başlamasındaki gecikmeyi de azaltmayı amaçlıyor .

Benchmark sonuçları: Daha küçük model, daha yüksek skorlar

Google’ın resmî model kartında yer alan sonuçlar, Gemma 4 12B’nin yalnızca kendi boyut sınıfında rekabet etmediğini gösteriyor. Model, referans olarak verilen daha büyük Gemma 3 27B’yi çeşitli akıl yürütme, kodlama ve çok modlu testlerde belirgin biçimde geride bırakıyor .

Özellikle lisansüstü düzeyde biyoloji, fizik ve kimya sorularını ölçen GPQA Diamond testindeki %78,8’lik sonuç dikkat çekiyor. Bu skor, önceki nesil Gemma 3 27B’ye kıyasla 36,4 puanlık artış anlamına geliyor. AIME 2026’daki %77,5’lik sonuç da önceki modelin %20,8’lik puanına göre büyük bir sıçramaya işaret ediyor .

Bu veriler, ayrı kodlayıcı katmanlarının kaldırılmasının modelin akıl yürütme kapasitesini zorunlu olarak azaltmadığını gösteriyor. Ancak benchmark sonuçları, her gerçek kullanım senaryosunda aynı performansın alınacağını garanti etmiyor; donanım, nicemleme ve görev türü pratik deneyimi etkileyebilir.

Lisans, donanım ve yerel çalıştırma seçenekleri

Gemma 4 12B, ticari kullanıma izin veren Apache 2.0 lisansı altında açık ağırlıklarla yayımlandı. Bu lisans, geliştiricilere modeli kendi uygulamalarına entegre etme ve yerel sunucularda çalıştırma konusunda geniş bir hareket alanı sağlıyor .

Modelin öne çıkan taraflarından biri de yayımlandığı gün geniş bir yerel yapay zekâ ekosisteminde kullanılabilmesi:

• llama.cpp: CPU ve GPU üzerinde verimli çalıştırma için GGUF nicemlenmiş sürümler.
• Ollama: macOS ve Linux’ta daha basit, komut satırı odaklı kurulum; Gemma 4 desteği için 0.20 ve üzeri sürümler.
• LM Studio: Yerel modelleri keşfetmek ve masaüstü arayüzüyle çalıştırmak isteyen kullanıcılar için grafik arayüz.
• MLX: Apple Silicon işlemcilerde birleşik bellek mimarisinden yararlanan yerel çalıştırma seçeneği.
• vLLM: Yüksek hacimli GPU ve TPU sunumu için altyapı.
• Unsloth: Nicemleme, yerel çıkarım ve ince ayar işlemlerini macOS, Windows ve Linux’ta sunan açık kaynaklı Studio arayüzü .

Bu desteğin ilk günden gelmesi, modelin yalnızca araştırma amaçlı bir ağırlık dosyası olarak kalmaması açısından önemli. Kullanıcılar, tercih ettikleri araca göre masaüstü arayüzü, komut satırı, geliştirici kütüphanesi veya sunucu altyapısı üzerinden ilerleyebiliyor.

Gemma Chat ile çevrim dışı kod üretimi

Gemma 4 12B’nin yanında, yerel çok modlu yapay zekânın günlük kullanımını gösteren bağımsız bir masaüstü uygulaması da öne çıkıyor: Gemma Chat. Google tasarımcısı Ammar Reshi tarafından geliştirilen MIT lisanslı Electron uygulaması GitHub üzerinden erişilebilir .

Gemma Chat, Gemma 4 modellerini Apple’ın MLX çerçevesi aracılığıyla Apple Silicon üzerinde yerel olarak çalıştırıyor. İlk model indirmesinden sonra API anahtarı, bulut hizmeti veya internet bağlantısı gerektirmiyor .

Uygulamanın en dikkat çekici özelliği Build Mode adlı kodlama ajanı modu. Kullanıcı, oluşturmak istediği projeyi doğal dille tarif ediyor; model de HTML, CSS ve JavaScript dosyalarını üretirken sonucu canlı önizleme paneline aktarıyor. Çok dosyalı projeler için tasarlanan bu akış, özellikle prototip hazırlamak ve kodlama öğrenmek isteyenler için yerel ve çevrim dışı bir çalışma ortamı sunuyor .

Gemma Chat ayrıca sesli giriş ve yapılandırılmış araç çağrıları için XML tabanlı yönlendirme kullanıyor. Uygulama, yeni kodlayıcısız 12B modelini de MLX üzerinden çalıştırabildiği için Gemma 4 12B’nin yerel kullanım iddiasını somut bir masaüstü deneyimine dönüştürüyor .

Sonuç

Gemma 4 12B’nin asıl yeniliği yalnızca 12 milyar parametreyi bir dizüstü bilgisayara sığdırmak değil. Google, çok modlu yapay zekânın görüntü ve sesi önce ayrı kodlayıcılardan geçirmesi gerektiği yönündeki yaygın tasarım anlayışından uzaklaşıyor. Ham girdileri hafif projeksiyonlarla tek bir dil modeli omurgasına aktaran Unified mimari, daha sade bir yerel dağıtım ve ince ayar yolu vaat ediyor .

Benchmark sonuçları bu yaklaşımın iddialı olduğunu gösterirken, Apache 2.0 lisansı ve geniş araç desteği modeli geliştiriciler açısından daha erişilebilir kılıyor. Gemma Chat gibi uygulamalar da güçlü yapay zekâ özelliklerinin her zaman bulut aboneliği veya API anahtarı gerektirmeyebileceğini gösteriyor.