NeoMME：効率的なマルチモーダルネイティブ・多言語エンコーダ

Hugging Face、260Mと800Mの2サイズからなる多言語マルチモーダルエンコーダ「NeoMME」を発表。事前学習済みのビジョンタワーを使わず、単一の双方向Transformerでテキストトークンと画像パッチを同時に処理する。