NeoMME
PulseAugur coverage of NeoMME — every cluster mentioning NeoMME across labs, papers, and developer communities, ranked by signal.
- 2026-09-06 product_launch H Company released NeoMME, a family of single-tower multimodal encoders. 来源
-
Hugging Face Transformers v5.17.0 新增 HYV4、VibeVoice、NeoMME 等模型
Hugging Face Transformers 库发布了 5.17.0 版本，引入了多个新模型和框架。新增的亮点包括 HYV4，一个拥有 100 万 token 上下文窗口的 780B 参数混合专家语言模型；以及 VibeVoice，一个基于扩散的高保真语音合成框架。本次发布还包括 NeoMME，一个多模态原生多语言基础编码器；以及 Fun-ASR-Nano，一个支持多种语言和方言的高效端到端语音识别模型。此外，Kimi Line…
-
H公司发布单塔多模态编码器系列NeoMME
H公司推出了NeoMME，这是一个专为提高效率而设计的新型多模态编码器系列。这些模型提供2.6亿和8亿参数两种尺寸，无需独立的视觉塔和因果解码器，通过单一Transformer架构处理文本和图像数据。这种简化的方法旨在降低计算开销，同时保持强大的性能，其中2.6亿参数的NeoMME-Retriever在文档检索基准测试中取得了有竞争力的结果。
-
Hugging Face 详解 AI 在内存、微调和编码方面的进展
Hugging Face 发布了多篇博客文章，详细介绍了 AI 的新进展。其中一篇文章介绍了 Funes，一个旨在为编码代理提供持久内存的系统。另一篇文章讨论了一种使用 100 GRPO 步骤微调 3.5 亿个模型以获得更结构化输出的方法，该方法利用了 Transformer 强化学习。此外，还有一篇文章介绍了 NeoMME，一个高效的多模态原生和多语言编码器。
-
Hugging Face发布高效多模态编码器NeoMME，研究表明编码器在印度语言NER任务上表现更优
Hugging Face推出了NeoMME，一个旨在提高效率的新型多语言多模态编码器系列。与许多生成式模型不同，NeoMME使用单个双向Transformer处理文本和图像块，并采用掩码离散扩散目标从头开始训练。在针对视觉文档检索进行微调后，NeoMME-Retriever表现出强大的性能，并显著降低了存储需求。此外，一项关于Naamapadam的研究发现，在大多数印度语言的命名实体识别任务中，基于编码器的模型性能远超生成式架构。