Gemma 4 12B、DiffusionGemma 与 Live Translate 密集上新
3条摆在这一期1个信源2个分节3条收进刊期
本期导语
本周（6 月 8 日至 14 日）AI 端三条精选都出自 Google DeepMind，覆盖开源端侧、文本扩散与实时语音。Gemma 4 12B 用无编码器的统一架构把音视频直灌 LLM 主干、16GB 显存即可本地跑；DiffusionGemma 以文本扩散一次并行生成整段、单卡最高提速 4 倍；Gemini 3.5 Live Translate 则把语音同传做到边说边译、覆盖 70+ 语言并进多款 Google 产品。三条合起来是本周的主线：把模型能力往本地与实时两端推。
本期看点
端侧开源模型实时语音翻译
端侧开源模型
Gemma 4 12B 与 DiffusionGemma 两款以 Apache 2.0 开源、主打本地运行：前者用无编码器统一架构把图像与音频直接接入 LLM 主干、16GB 显存即可在笔记本本地跑、性能逼近 26B MoE；后者以文本扩散一次并行生成整段文字、单卡 H100 超 1000 token/秒、最高提速 4 倍。Gemma 4 系列下载量已破 1.5 亿。
DiffusionGemma 开源：26B MoE 文本扩散模型一次并行生成整段文本、单卡 H100 超 1000 token/秒Google DeepMind 发布实验性开源模型 DiffusionGemma（Apache 2.0）：跳出自回归逐 token 生成，以文本扩散一次并行生成整段文字，在专用 GPU 上把生成速度提到 4 倍——单张 H100 超 1000 token/秒、RTX 5090 超 700 token/秒。它是 26B 总参数的 MoE、推理时只激活 3.8B，量化后可进消费级高端卡的 18GB 显存。双向注意力让每个 token 关注全块，擅长行内编辑、代码填充等非线性任务，…Gemma 4 12B 开源：去掉多模态编码器、把图像与音频直灌进 LLM 主干，16GB 内存即可笔记本本地跑、性能接近 26B MoEGoogle DeepMind 发布 Gemma 4 12B，一款把 agentic 多模态智能带到笔记本的开源模型，填补面向边缘的 E4B 与更强的 26B MoE 之间的空档，也是首个支持原生音频输入的中型 Gemma。架构上的关键是无编码器：视觉用一个单次矩阵乘加位置编码与归一化的轻量嵌入模块替换掉原视觉编码器，音频则彻底移除编码器、把原始音频信号投影到与文本 token 同一维度空间，由 LLM 主干直接处理，从而降低延迟与显存。它在标准基准上逼近 26B MoE、内…实时语音翻译
Gemini 3.5 Live Translate 做到近乎实时的语音到语音翻译、边说边译、覆盖 70+ 语言并保留说话人语调，进入 Google 翻译、Google Meet 与 Gemini Live API；Meet 翻译从原来 5 种语言扩到 70+ 语言。
Gemini 3.5 Live Translate：近实时语音到语音翻译覆盖 70+ 语言、边说边译不等待，进 Google 翻译、Meet 与 Live APIGoogle DeepMind 发布 Gemini 3.5 Live Translate，一款近实时语音到语音翻译的最新音频模型。它自动识别 70+ 语言，生成的译文语音保留说话人的语调、语速与音高；不同于等对方说完才回应的回合制，它边听边持续生成，把译文始终控制在说话人之后几秒、没有生硬停顿。今日开始在多款 Google 产品铺开：开发者可在 Gemini Live API 与 Google AI Studio 公开预览，企业本月起在 Google Meet 私密预览，所有…其它期 ↗本期刊物按 2026 年第 24 周 这一期的时间窗整理生成，范围是当前工作区发布的这一份内容包；条目版权归原作者与信源所有。