NeoMME：一个高效的多模态和跨语言编码器

Hugging Face 发布了 NeoMME，一个由 260M 和 800M 参数组成的跨语言多模态编码器。NeoMME 不使用单独的预训练视觉塔或因果语言模型，而是使用单个双向 Transformer 处理文本标记和原始图像补丁。NeoMME -Retriever 在视觉文档检索方面进行了微调，并提供了密集和后期交互嵌入。