NeoMME：高效的多模态原生多语言编码器

Hugging Face发布NeoMME，一个包含260M和800M参数的多语言多模态编码器系列。该模型不使用独立的预训练视觉塔或因果语言模型，而是用单一双向Transformer处理文本token和原始图像patch，通过masked discrete-diffusion目标从头训练。