/ Модель

Характеристики

Контекст
16 384 токена
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
neomme · dense
Библиотека
transformers
Опубликована
28 июл 2026

NeoMME-800M

ЭмбеддингиТекст → embedding9 профессий

Мультиязычный мультимодальный Transformer-энкодер для получения контекстных представлений текста и изображений, требующий дообучения под целевую задачу.

227скачиваний за 30 дней10лайковвеса 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-800M — мультиязычный мультимодальный энкодер, разработанный Hcompany и обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного vision-энкодера и авторегрессионной языковой модели. Модель содержит 1,1 млрд параметров, принимает текст и изображения и имеет контекст 16 384 токена.

Это базовая энкодерная модель, которая возвращает контекстные представления токенов. Для поиска, классификации, извлечения информации и других прикладных задач её необходимо дообучить с подходящей целевой головой; для поиска по документам авторы рекомендуют NeoMME-800M-Retriever. Предварительное обучение проводилось на многоязычных текстах и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные.

Модель доступна в формате Safetensors через Transformers по лицензии Apache-2.0. Комплексная оценка безопасности, смещений и конфиденциальности не проводилась.

Сценарии применения

  • дообучение энкодера для поиска по документам
  • классификация текста и изображений с целевой головой
  • извлечение информации из документов
  • создание мультимодальных представлений для прикладной модели

Ограничения

Модель является базовым энкодером и требует дообучения с целевой головой для решения прикладных задач. Для неё не проводилась комплексная оценка безопасности, смещений и конфиденциальности.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NeoMME (800M): 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-800M 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-800M-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-800M-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-800M"
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-800M"
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-800M 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-800M 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
b0169a3

0 моделей