Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与图像 patch，从零训练，不依赖预训练视觉塔或因果语言模型。
#RAG
#RAG
今日 0 条Hugging Face 博客AI 评分3434
Hugging Face 博客AI 评分3434 用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，支持 ColBERT 式后期交互检索，并提供完整训练方案。
Hugging Face 博客AI 评分2828 Hugging Face 如何用 Inference Endpoints、Jobs 和 Buckets 支撑 Papers with Code 搜索
Papers with Code 采用混合搜索系统，结合 PostgreSQL 全文检索与 pgvector 向量召回，并通过 RRF 算法融合两路结果。系统使用 Qwen/Qwen3-Embedding-0.6B 生成 256 维 L2 归一化向量，目前为来自 arXiv 和 Daily Papers 的超过 110,000 篇论文维护嵌入向量。
Hugging Face 博客精选AI 评分6262 Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 式晚交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚交互检索，PyLate、Stanford-NLP ColBERT 检查点和 colpali-engine 视觉文档检索模型都能通过同一套 API 加载。
推荐理由：Sentence Transformers v6.0 新增多向量编码器，读者可据此判断 ColBERT 式检索的接入成本与索引代价。