谷歌 DeepMind 发布 Gemma 4 12B，在官方博客中将其介绍为「统一、无编码器的多模态模型」（a unified, encoder-free multimodal model）。
当前主流多模态模型多采用「拼装式」架构：为图像、音频等模态分别配备独立编码器，再把编码结果投射到语言模型的特征空间，由语言模型统一生成。该方案成熟，但组件多、链路长，模态之间的对齐通常还需要额外训练。
Gemma 4 12B 的两个关键词正对应这两点：unified 指不同模态走同一套模型结构，encoder-free 指不再依赖独立编码器。若这一路径成立，多模态能力的引入会更接近「原生」，工程上也可减少模块数量与对齐环节。
对从业者而言，值得关注的是该模型在 Gemma 系列中的定位、权重与许可方式，以及无编码器设计在真实任务上能否与专用编码器方案相当。目前官方仅给出模型命名与整体定位，具体能力与开放形式需以官方发布信息为准。