NeoMME: мультимодальный энкодер, который понимает много языков

На Hugging Face опубликован NeoMME — новый мультимодальный энкодер, ориентированный на многопользовательскую и многоязычную среду. Модель использует нативную архитектуру для обработки текста и изображений, что потенциально упрощает инференс и повышает качество понимания. Конкретные бенчмарки и архитектурные детали пока не раскрыты.

Проект находится в стадии предрелиза: доступен токенизатор и базовая конфигурация. Разработчики обещают открыть веса в ближайшее время. NeoMME может стать альтернативой CLIP для задач, где критична многоязычность, хотя прямое сравнение с конкурентами пока не проводилось.