Hugging Face が NeoMME: an efficient Multimodal-native and Multilingual Encoder を公開 ── VLM不要の軽量設計で1.5MBを6kBに圧縮
「画像とテキストを扱うのに、なぜわざわざ重いVLM（視覚言語モデル）が必要なのか？」という疑問から生まれたのがこのNeoMMEだ。既存の巨大モデルを土台にするのではなく、ゼロから設計されたバイディレクショナル（双方向）エンコーダーで、視覚ドキュメント検索の効率を根本から変えようとしている。これはかなり尖ったアプローチだ。
▸何が変わったのか
NeoMMEは260Mと800Mパラメータの2サイズ構成。従来のような事前学習済みビジョンタワや因果言語モデルを使わず、単一の双方向Transformerがテキストトークンと生画像パッチを同時に処理する。学習にはマスク付き離散拡散目的関数を使用している。ColPaliのページ画像方式でファインチューニングされたこのモデルは、ViDoRe v3のParetoフロンティア上に位置している。NVIDIA L40S GPU上で2048×2048の画像入力時、260Mモデルは約51ページ/秒のエンコード速度を実現。ColModernVBERTの約2倍のスループットだ。階層型トークンプーリングと非対称量子化により、レイツインターアクション索引のストレージは約1.5MBから6kBへ（255分の1）に削減され、nDCG@10はベースラインの95%以上を維持している。
◈前モデル / 競合との比較
ColModernVBERTと比較すると、スループットは約2倍に向上。ViDoRe v3のベンチマークでは、nDCG@10とモデルサイズの両面でParetoフロンティア（最適境界）に位置する。既存のVLMベースのリトリーバーが持つ、因果デコーダーによる計算オーバーヘッドを排除している点で差別化される。
◈技術背景と意義
通常の視覚言語モデルは、画像を特徴量に変換する「目」（ビジョンエンコーダー）と、文章を処理する「脳」（言語モデル）を別々に持っていたり、生成専用の構造を持っていたりする。しかし、検索や分類のように「新しい文章を作る」のではなく「意味をベクトルで表す」だけのタスクでは、その複雑な構造は不要な負荷となる。NeoMMEは、画像もテキストも同じ経路で処理するシンプルな設計を採用し、計算リソースを効率的に使い切ることに特化している。これにより、大規模なモデルを動かすための莫大な計算コストを削減しながら、多言語・マルチモーダルな処理が可能になる。
▸こんな人・用途に
大量のPDFやスキャン済み文書からキーワードや意味ベースで迅速に情報を引き出したいRAG（検索拡張生成）システム構築者。スループットとストレージコストを重視する、大規模ドキュメント検索エンジンの開発チーム。事前学習済みのVLMがない環境、あるいは計算リソースが限られた環境で多言語マルチモーダル処理を行いたい研究者やエンジニア。
▸Hacker Newsの反応
正直、NeoMMEの直接言及は皆無で、Hacker News全体の空気がやや混沌としている。国際関係やセキュリティバグの議論がメインで、AIエンコーダーへの関心は薄い印象だ。
「国際関係（IR）の概念がもう古くなってる。過去事例で新技術下の国家間関係を説明するのは無理。企業間関係（CR）という新分野が必要になってきた。」
「記事は素晴らしいので内容は触れない。ただ、米国の弱体化を単に「見えている」と分析するのは浅い。その奥にある構造を無視してる点が気になる。」
「「1月6日の暴動」なんて用語は本気で取れない。軍も警察も政治的支援もゼロで、実質的な脅威はなかった。最も注目すべき行動すら曖昧だ。」
「 exploitは起きるものだと理解してるが、スタートアップのプロセスとセキュリティ確保をどう統合すべきか迷う。両者の間に矛盾を感じてしまう。」
「Redditでも言ってるが、あの報告はほぼ全部嘘。news.YCはRedditベースじゃないし、ユーザーテキストはチェックしてる。実際のバグは別にある。」
◆入手方法・リンク
Hugging Face Transformersから利用可能。モデルチェックポイントはすべてApache 2.0ライセンスで公開されている。技術レポートやビジュアルRAGのデモも併せて提供されている。
SOURCE: Hugging Face (2026-09-03)
