H Company выкатила NeoMME — энкодеры на 260M и 800M параметров. Вместо ColPali-схемы с отдельной vision-башней один Transformer проглатывает текст и картинки. Модель на 260M выдаёт 0.523 nDCG@10 на ViDoRe v3, сжимает индекс в 255 раз и индексирует 51.3 страницы в секунду. Архитектура. Мультимодальный single-tower. Один Transformer принимает текстовые токены и raw-патчи картинок 32×32. Перед обучением не нужен отдельный pretrained вижн-энкодер, а на инференсе — causal-декодер. Предобучение — masked discrete-diffusion с двумя головами: dense и late-interaction retrieval. Результаты. Замеры на ViDoRe v3 показывают 0.523 nDCG@10 для младшей модели. Сжатие индекса 255× при 51.3 страницах/c на L40S. Авторы признают, что по текстовому поиску есть отставание, но подробности не раскрывают. Авторы указали на разрыв в текстовом поиске, но не уточнили масштаб — для полной картины нужны бенчмарки и на старшей 800M-модели. Что это значит: архитектурное упрощение, которое догоняет двухбашенные системы по визуальному поиску и выигрывает по скорости и размеру индекса.