/ Модель

Характеристики

Контекст
16 384 токена
Параметры
366 млн
Лицензия
Apache 2.0
Архитектура
neomme · dense
Библиотека
transformers
Опубликована
16 июл 2026

NeoMME-260M

ЭмбеддингиТекст → embedding3 профессии

Мультиязычный мультимодальный энкодер, который выдаёт контекстные представления текста и изображений для последующей настройки под поиск, классификацию и извлечение информации.

6 702скачиваний за 30 дней21лайквеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

NeoMME-260M — мультиязычный мультимодальный энкодер компании Hcompany, предварительно обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного визуального энкодера и без авторегрессионной языковой модели. Модель содержит 366 млн параметров, использует библиотеку Transformers и поддерживает контекст до 16 384 токенов.

Энкодер формирует контекстные представления токенов и предназначен как основа для последующей настройки под поиск, классификацию, извлечение информации и другие задачи. Он предварительно обучен на мультиязычных текстовых и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Для поиска по документам авторы рекомендуют отдельную модель NeoMME-260M-Retriever.

Модель не решает прикладные задачи самостоятельно: для них требуется дообучить задачно-ориентированную голову. Полноценная оценка безопасности, смещений и приватности не проводилась. Лицензия — Apache-2.0.

Сценарии применения

  • получение эмбеддингов текста для последующей настройки
  • получение представлений изображений и текста совместным энкодером
  • подготовка энкодера для классификации после дообучения
  • извлечение информации из документов после настройки
  • создание специализированной модели поиска по документам

Ограничения

Это базовый энкодер, которому требуется дообучение с задачно-ориентированной головой для решения прикладных задач. Комплексная оценка безопасности, смещений и приватности не проводилась.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NeoMME (260M): Single-Tower Multimodal-Native Multilingual Foundation Encoder

Hugging Face Hugging Face arXiv

Model summary

NeoMME is an efficient Multilingual and Multimodal-native foundational Encoder. Text tokens and raw image patches pass through one shared Transformer encoder. NeoMME does not use a separately pretrained vision encoder or a causal language model.

NeoMME-260M is a pretrained encoder backbone and cannot be used on its own for a downstream task. It returns contextual token representations, so users should fine-tune a task-specific head for retrieval, classification, extraction, or another downstream task. For document retrieval, use NeoMME-260M-Retriever.

Usage

Use NeoMME with transformers:

# accelerate is an optional dependency needed only when using device_map="auto".
pip install -U accelerate transformers

The example below generates hidden states for a text document and a document image in one forward pass. The hidden states are not usable as is for a downstream task. If you are looking for retrieval embeddings, you should use the NeoMME-260M-Retriever model instead.

Generate hidden states

import requests
import torch
from PIL import Image

from transformers import AutoModel, AutoProcessor


def encode_document_text(processor, text: str) -> str:
    return f"{processor.tokenizer.document_token}{text}"


model_id = "Hcompany/NeoMME-260M"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id, device_map="auto")

text = "The cat sat on a mat."
image_url = "https://github.com/tonywu71/colpali-cookbooks/blob/main/examples/data/shift_kazakhstan.jpg?raw=true"
image = Image.open(requests.get(image_url, stream=True).raw)

inputs = processor(
    text=[
        encode_document_text(processor, text),
        encode_document_text(processor, processor.image_token),
    ],
    images=[image],
    padding=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    outputs = model(**inputs)

text_hidden_states, image_hidden_states = outputs.last_hidden_state

NeoMME was pretrained with a masked discrete-diffusion objective. Therefore, the model can restore masked text tokens given the surrounding text (and, when present, image patches). The example below fills a single mask as a sanity check of that objective. It is not a generative or conversational model.

Masked language modeling

import torch

from transformers import AutoModelForMaskedLM, AutoProcessor


model_id = "Hcompany/NeoMME-260M"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id, device_map="auto")

# Equivalent: "<doc>The capital of <mask> is London."
text = f"{processor.tokenizer.document_token}The capital of {processor.tokenizer.mask_token} is London."
inputs = processor(text=[text], return_tensors="pt").to(model.device)

with torch.inference_mode():
    outputs = model(**inputs)

masked_index = (inputs.input_ids[0] == processor.tokenizer.mask_token_id).nonzero().item()
predicted_token_id = outputs.logits[0, masked_index].argmax(dim=-1)
print(processor.tokenizer.decode(predicted_token_id))

Training

NeoMME-260M was pretrained from scratch on multilingual text and visual-text data, including web text, code, math, document pages, captions, and synthetic OCR data. The model learns to restore masked text tokens. For document images paired with transcripts, image patches remain visible and the pretraining objective has no pixel reconstruction loss.

The NeoMME technical report describes the full pretraining recipe.

Limitations

  • NeoMME-260M is a pretrained encoder backbone and requires task-specific fine-tuning.
  • The model has not received a comprehensive safety, bias, or privacy evaluation.

License

Model weights are released under the Apache 2.0 license.

Citation

@misc{lac2026neommesingletowermultimodalnativemultilingual,
      title={NeoMME: A Single-Tower Multimodal-Native Multilingual Foundation Encoder for Efficient Fine-Tuning and Inference},
      author={Aurélien Lac and Tony Wu},
      year={2026},
      eprint={2609.01657},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2609.01657},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
NeoMMEModel
Ревизия весов
5ba79fb

0 моделей