Google DeepMind ha presentado Gemma 4 12B, la última evolución de su serie de modelos de inteligencia artificial de código abierto. Lo que distingue a este nuevo lanzamiento no es solo su capacidad para procesar texto, imágenes y audio de forma nativa, sino que lo hace con una franja de recursos sorprendentemente reducida: un portátil con solo 16 GB de RAM puede ejecutarlo sin necesidad de GPUs de gama alta.

Esta característica rompe con el paradigma tradicional de que los modelos multimodales requieren infraestructuras de cómputo extensas. Hasta ahora, la mayoría de los sistemas que combinan visión y lenguaje, como GPT‑4o o Claude‑3, necesitan GPUs con 24 GB o más de VRAM, lo que limita su uso a centros de datos y a equipos de alto rendimiento. Gemma 4 12B demuestra que, mediante optimizaciones de arquitectura y técnicas de compresión de pesos, es posible acercarse al rendimiento de modelos de 26 B con la mitad de parámetros.

El tamaño del modelo —12 billion de parámetros— no es arbitrario. DeepMind ha invertido años en la investigación de “tiny‑embeddings” y “sparse attention”, que reducen la complejidad computacional sin sacrificar la calidad de las respuestas. En benchmarks de tareas multimodales estándar como VQA‑v2, CLIP‑Bench y SpeechRecognition, Gemma 4 12B alcanzó puntuaciones entre 88 % y 94 % de los modelos de 26 B, lo que indica una casi equivalencia de desempeño.

Para los profesionales de la tecnología, esta mejora tiene varias implicaciones. En el ámbito de la productividad, los equipos ya pueden integrar modelos multimodales en sus flujos de trabajo sin depender de la nube, lo que reduce la latencia y los costos de operación. Por ejemplo, un diseñador gráfico podría usar Gemma 4 12B para generar descripciones de imágenes o para transcribir audio de presentaciones directamente en su portátil.

Además, la licencia Apache 2.0 abre la puerta a aplicaciones comerciales sin restricciones. Las empresas pueden incorporar el modelo en sus productos, personalizarlo y redistribuirlo sin preocuparse por licencias de uso restringidas. Este modelo de código abierto también fomenta la investigación colaborativa, pues los ingenieros pueden estudiar la arquitectura, detectar sesgos o proponer mejoras.

El lanzamiento también se produce en un contexto donde la regulación de la IA está creciendo. La Unión Europea y otros organismos están evaluando cómo controlar los modelos que generan contenido multimodal para evitar la desinformación. Al ser un modelo abierto, Gemma 4 12B permite a los reguladores y a la comunidad académica analizar de forma transparente cómo se entrenan y evalúan los sistemas.

Sin embargo, existen retos. Aunque el modelo funciona con 16 GB de RAM, la velocidad de inferencia sigue siendo un factor crítico. En pruebas de inferencia de 512 tokens de texto y una imagen de 512 × 512 píxeles, la respuesta tarda aproximadamente 1,2 segundos en un portátil con GPU integrada. Para aplicaciones de tiempo real, como asistentes virtuales en dispositivos móviles, se necesitarán optimizaciones adicionales.

En conclusión, Gemma 4 12B marca un hito al demostrar que la IA multimodal puede ser portátil y accesible. Su rendimiento competitivo, combinada con una licencia abierta y un requerimiento de hardware modesto, posiciona a DeepMind como un actor clave no solo en la frontera de la investigación, sino también en la democratización de la inteligencia artificial.

Los profesionales de TI que buscan integrar IA en sus productos deben evaluar Gemma 4 12B como una alternativa viable, especialmente cuando la latencia y el coste son factores críticos. Al mismo tiempo, las organizaciones deben prepararse para la gestión de datos y los aspectos éticos que acompañan a la adopción de modelos multimodales.

El futuro de la IA multimodal parece de hecho móvil, y Gemma 4 12B es el primer paso concreto hacia esa realidad.