Gemma 4 に 12B が追加されたので DGX Spark で日本語性能・音声入力・MTP まで試してみた

• URL: https://dev.classmethod.jp/articles/dgx-spark-gemma4-12b-allround/
• 日付: 2026-06-05
• Tier: Tier 3
• 要旨: Gemma 4 ファミリーに追加された12B（E4Bと26B-MoEの中間）を DGX Spark で実機評価。日本語常識テストではE4Bとほぼ同等だが、中量級初の音声入力対応とDrafter付属のMTPによる2.8倍高速化が差別化ポイント。

詳細

• アーキテクチャ: Encoder-free。画像（35M埋め込み層, 48×48pxパッチ）・音声（16kHz→40msフレーム→線形変換）・テキストが同一の重みを共有
• コンテキスト: 256Kトークン（E4Bより大幅拡大）
• 日本語常識テスト (JCommonsenseQA, 1116問):
  • E4B: 94.1% / 0.15秒
  • 12B: 94.6% / 0.32秒
  • 31B: 97.7% / 4.84秒
    → E4Bとほぼ同等スコア。常識推論ではE4Bが天井に近いため中量級の差が出にくい
• 日本語音声 (FLEURS 100件): CER中央値16.1%、平均23.1%。同音異義語で取り違える傾向あり（専用ASRの1桁台CERには及ばない）
• 画像 (JMMMU 300問): 45.7%。文章主体の分野は得意（CS:75%、心理:75%）、工学系図面は不得意（機械:0%）
• MTP (vLLM nightly + drafter gemma-4-12B-it-assistant): baseline 7.7 tok/s → MTP(spec=4) 21.5 tok/s（約2.8倍）
• 動作条件: transformers は GitHub main から取得が必要（gemma4_unified 新アーキ対応のため）。torchvision・ninja 問題あり
• 評価: テキストのみなら E4B で十分。音声を含むマルチモーダルを1モデルで回す用途・16GBでの手軽な運用に12Bが有利