NeoMME 发布：260M/800M 多模态原生多语言编码器，无需视觉塔
antoine_chaffin · x · 2026-09-04
研究者 tonywu71 发布 NeoMME，一个 260M 和 800M 规格的多模态原生、多语言高效编码器家族：
- 单个双向 Transformer 同时处理文本 token 和原始图像 patch
- 不依赖任何预训练视觉塔、文本编码器或解码器
- 定位为高效通用编码器，作者称是图像编码器方向上的扎实工作，NLP 研究者 bclavie 等人转发推荐，称比预想的方案更好、值得一读
所属事件:NeoMME 单塔多模态多语言编码器发布，260M 版 ViDoRe v3 领跑(7 条相关)→
「多模态」频道最新
- Runway 入驻 Claude Marketplace，成 Anthropic 首个创意合作伙伴 — tlakomy · 2026-10-21
- 让 Claude Code 独立执导 MV：6.5 小时、765M 输入 tokens 完成 — colinmcnamara · 2026-10-21
- 可灵 4.0 上线:原生 30 秒视频、10 关键帧,可延展至 2 分钟 — lmoroney · 2026-10-21
- Voxtral 转写 1891 年埃菲尔留声机录音：107 词对 100 词，WER 仅 6.5% — IsForAt · 2026-10-21
- Reddit 用户重调 Stable Diffusion 工作流，25 步+motion boost 优化小丑舞者视频 — roychodraws · 2026-10-21
- 图像编辑榜一开源模型 Fibo-2 权重上架，含 Dev 和 Turbo 双版本 — linoy_tsaban · 2026-10-21