Hugging Face zveřejnil NeoMME, multimodální a vícejazyčný enkodér od týmu H Company. Model zpracovává textové tokeny i obrazové části v jediném obousměrném Transformeru, místo aby kombinoval samostatný obrazový a textový modul. Autoři uvádějí, že NeoMME nevychází z předtrénované obrazové věže ani z hotového textového enkodéru či dekodéru. K dispozici jsou velikosti 260 a 800 milionů parametrů a modely pro vyhledávání ve vizuálních dokumentech. Menší retriever podle zveřejněných výsledků dosahuje skóre 0,523 na benchmarku ViDoRe v3 a kóduje přibližně 51 stran za sekundu na GPU NVIDIA L40S. Checkpointy jsou dostupné v Transformers pod licencí Apache 2.0.
