谷歌Gemma 4论文深夜解封！31B直逼闭源前沿

来源：市场资讯

（来源：新智元）

新智元报道

【新智元导读】谷歌公布最新Gemma 4技术报道！Gemma 4用实际行动证明：端侧大模型不再是云端的廉价替代品，而是拥有原生多模态理解和深度思考能力的独立智能体。

Gemma 4技术报告发布！

你是否也曾算过这样一笔账？

在开发一款真正实时的多模态应用时，你不得不把音视频流打包，跨越数千公里送往云端。

每一次极小的调用，都在悄无声息地消耗API余额。一旦网络抖动、带宽受限，或是隐私合规的铁拳落下，你苦心搭建的用户体验就会瞬间崩盘。

我们曾被反复告知：端侧大模型只是云端巨人的「像素缩水版」。它们只能处理干瘪的文本。至于真正的深度推理、多模态理解，那永远是几十万张A100堆砌出的云端神殿的专属特权。

7月初，Google DeepMind发布Gemma 4，全系Apache 2.0彻底开源。

传送门：https://arxiv.org/abs/2607.02770

这是一次近乎学术叛逆的底层重构——他们直接干掉了多模态模型里最沉重、最不可或缺的视觉与音频编码器，把媲美顶级云端AI的「思考心流」塞进了笔记本、甚至手机都能离线跑通的轻量身躯里。

杀死那个「中间翻译官」：为什么一个12B模型成了异类？

想象一下你正在给一个AI装上「眼睛」和「耳朵」。

传统做法是：先给它挂一个几亿参数的视觉编码器（比如CLIP），再挂一个音频编码器（比如Whisper）。这两个重型翻译官把像素和波形翻译成向量，再粗暴塞进LLM。

这个「胶水架构」在算力匮乏的年代是权宜之计，却留下了致命伤——内存被强行撕裂、无法端到端协同优化、显存开销巨大。

Gemma 4 12B做了件在过去看起来近乎疯狂的事：它直接把这两个翻译官砍掉了。

它只保留了一个极简的35M参数投影层，把原始图像的像素块和原始音频40毫秒的波形块，直接投影进LLM自身的统一嵌入空间。

没有中间人，没有信息损耗，只有单一的Unified Transformer在同时「看」「听」「想」。

这听起来简单，实则难度极高。过去直接灌入原始波形和像素，极易导致模型文本能力严重退化。可DeepMind通过惊人的联合预训练，完成了这三者的深度融合。

结果是，一台普通消费级显卡、甚至16GB VRAM的MacBook，就能本地实时跑通原生音画文三位一体交互。

你不再需要为三个模型在内存里抢地盘，整张卡，只有一个大脑在同时处理一切。

真正具有开创性的智能，从来不该依赖翻译官。

当一个模型能够用同一颗大脑直视像素、直接聆听声音时，多模态才算真正告别了童年。

把「心流」塞进口袋：在2.3B微型骨架里塞进深度思考

如果说无编码器解放了端侧的「感官」，那么Thinking Mode则彻底重塑了它的「智商上限」。

过去一年，从OpenAI o1到DeepSeek R1，「慢思考」一直是云端巨头的最后护城河。模型要在回答前进行成百上千次的自我审视、调试与推理，这需要极高的云端吞吐和真金白银的Token消耗。

Gemma 4的革命性在于：它把这套机制原生下放到了包含2.3B（E2B）和4.5B（E4B）在内的所有边缘尺寸模型中。

通过一个简单的<|think|>控制Token，你就能在本地触发高密度推理轨迹。

更震撼的是数据。

在DeepMind技术报告中，Gemma 4 31B Thinking与前代Gemma 3 27B IT在无任何外部工具辅助下的对比，呈现出近乎非线性的爆发：

在复杂数学、前沿科学、以及真实Agent工具调用上，Gemma 4实现了对前代更大模型的降维打击。这已经不是「追赶」，而是在很多高难度任务上开始正面挑落比自己大数倍的闭源巨兽。

DeepMind还同步推出了多Token预测草稿模型和量化感知训练，让这种本地深度思考不仅质量高，而且等待时间大幅缩短。

当「思考」不再是云端API的昂贵恩赐，而变成边缘设备上可以随时呼吸的空气，整个行业拼的就再也不是体型，而是单位参数的认知密度。

算力经济学的焦土战争：150M字节的开源，正在敲响云端溢价的丧钟

发布后最关键的决定，是Google把Gemma 4全系放在Apache 2.0协议下彻底开源。

在科技商业史上，当一个巨头把核心能力以最宽容姿态开源时，通常意味着它正在发起一场焦土战争。

过去云端巨头的暴利模式是：把最好的模型锁在API后面，开发者想要高阶逻辑、实时音频、多模态理解，就必须按Token付费。

Gemma 4正在把这套模式直接打穿。

端侧部署带来的改变是结构性的：

当开发者发现：自己的手机里已经驻留着一个能实时听懂环境音、看懂代码、还能在毫秒级做出深度思考的模型时，他们还有什么理由继续向云端缴纳智商税？

写在最后：智能在沉默中运行

如果说AI时代的前半场是关于「规模」的宏大叙事，那么Gemma 4吹响的，是后半场「结构与主权」的革命号角。

真正的技术普惠，从来不是让数十亿人共享一个庞大、遥远且昂贵的中枢神经网络，而是让每个人、每个设备都拥有属于自己的智能。

它应当像一张离线的地图、一册无需联网的百科全书，在世界的任何角落，静默而忠诚地伴随你左右。

在不久的将来，人类最深邃的思想和洞察，也许不再需要跨越冰冷漫长的海底光缆，去往大洋彼岸的巨型服务器集群里转上一圈。

当智能真正可以离线、可以私有、可以塞进口袋时，我们或许需要重新回答那个最根本的问题：

什么是真正属于人类的智能？而什么，又是真正属于每个人的智能？

参考资料：

https://x.com/osanseviero/status/2074436670770868249?s=20https://arxiv.org/abs/2607.02770https://arxiv.org/pdf/2607.02770

编辑：大卫