H Company、軽量マルチモーダル・多言語エンコーダ「NeoMME」を公開

何が発表されたか

• H Company が NeoMME を公開（2026年9月3日、Hugging Face ブログ）。
• テキストと画像を、別々の事前学習済み視覚／言語モジュールに頼らず、単一の双方向 Transformer で処理するマルチモーダルエンコーダ。
• サイズは 260M と 800M パラメータの2種類。
• 多言語対応。多言語テキスト・コード・数式・機械生成の画像トランスクリプトから構築した独自の131k トークン BPE 語彙を使用。
• 文書検索ベンチマーク ViDoRe v3 の結果は、NeoMME-260M が nDCG@10 = 0.523（800M未満のモデルで最高）、NeoMME-800M が 0.556。両モデルとも「モデルサイズ対検索性能」のパレートフロンティア上に位置。
• ライセンスは Apache 2.0。Hugging Face Transformers から利用可能で、モデルコレクション・技術レポート・デモSpaceが公開されている。

開発者への影響

• 260M というサイズは、VPSやサーバーレス環境でも現実的に動かせる。「PDFカタログや請求書のスキャン画像を検索できるようにしたい」といった案件で、外部APIに投げずに自前で完結させる選択肢が増える。
• Apache 2.0 なので商用案件に組み込みやすい。ライセンス確認で止まりがちな受託開発では、これ自体が採用理由になる。
• 用途は「検索・retrieval用のエンコーダ」であって、生成モデルではない。RAG構成のうち、検索側のコンポーネントを差し替える話として捉えるのが正しい。
• 多言語対応をうたっているが、日本語の文書画像でどの程度効くかはベンチマークからは読み取れない。日本語のPDFや帳票で自前評価してから採用判断すること。

利用条件

Apache 2.0 ライセンス。Hugging Face Transformers 経由で利用可能。