先了解这件事
2026年9月3日,H Company发布NeoMME多语言多模态编码器及检索模型。据Hugging Face介绍,NeoMME是一个包含260M和800M两种规模的多语言多模态编码器家族,使用单个双向Transformer同时处理文本token和原始图像patch,从零以掩码离散扩散目标训练,不依赖独立视觉塔或因果语言模型。微调后的NeoMME-Retriever用于视觉文档检索,两种规模均位于ViDoRe v3的nDCG@10与模型规模Pareto前沿;在NVIDIA L40S上,260M模型以2048×2048输入每秒编码约51页,约为ColModernVBERT吞吐的两倍。模型已在Hugging Face Transformers提供,检查点以Apache 2.0许可发布。目前尚无后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
NeoMME：高效多模态原生多语言编码器事件进展
1 个已确认进展
- 来源：Hugging Face
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
9月3日
Hugging Face一手
NeoMME：高效多模态原生多语言编码器
Hugging Face 发布 NeoMME，一个 260M 和 800M 的多语言多模态编码器家族，用单个双向 Transformer 同时处理文本 token 和原始图像 patch，从零以掩码离散扩散目标训练，不依赖独立视觉塔或因果语言模型。微调后的 NeoMME-Retriever 用于视觉文档检索，两种规模均位于 ViDoRe v3 的 nDCG@10 与模型规模 Pareto 前沿；在 NVIDIA L40S 上 260M 模型以 2048×2048 输入每秒编码约 51 页，约为 ColModernVBERT 吞吐的两倍。模型已在 Hugging Face Transformers 提供，检查点以 Apache 2.0 许可发布。