Gemma 4 12B 与 Gemini 3.5 Live Translate 同日开源发布
2条摆在这一期1个信源2个分节2条收进刊期
本期导语
Google DeepMind 同日发布两款模型。Gemma 4 12B 以无编码器的统一架构把图像与音频直接并入 LLM 主干，16GB 显存即可在笔记本本地跑、性能逼近 26B MoE；Gemini 3.5 Live Translate 则做到近乎实时的语音到语音翻译，覆盖 70+ 语言、边说边译，进入 Google 翻译、Meet 与 Live API。端侧多模态与实时语音同一天各进一步。
本期看点
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 MoEGemini 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 API
产品
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…模型
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…其它期 ↗本期刊物按 2026 年 6 月 9 日 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。