标签
NeoMME 展示了一系列高效的多模态编码器，采用掩码离散扩散进行预训练，在视觉文档检索和高嵌入压缩方面表现优异，同时在基准测试中超越了更小的模型。
Liquid AI 对其 LFM2.5-Encoder 模型（230M 和 350M）进行了微调，使其能够在单次前向传播中执行多标签分类，无需解码循环或解析。这展示了在 NLP 任务中进行高效标签评分的潜力。
Liquid AI 发布了 LFM2.5-Encoder-230M 和 LFM2.5-Encoder-350M，这些双向编码器针对分类和检索等非生成任务进行了优化，在长上下文中提供快速的CPU推理。
Liquid AI发布了两个新的编码器模型，LFM2.5-Encoder-230M和LFM2.5-Encoder-350M。这些模型快速、易于训练且多语言能力强。速度基准测试显示，与ModernBERT-base相比，CPU性能提升了3.7倍以上。
Liquid AI发布LFM2.5-编码器（230M和350M），这是为CPU上长上下文推理优化的高效编码器模型，在基准测试中匹配或超越更大编码器，相比ModernBERT-base实现3.7倍加速。
Liquid AI releases LFM2.5-Encoder-350M, a multilingual bidirectional encoder built on the LFM2 architecture, offering strong quality for its size, 8k context, and efficient on-device performance across 15 languages.
CrossBERT将表示学习与令牌重构解耦，实现更高的掩码比例和更好的样本效率，在MTEB和GLUE基准测试上超越BERT。
本文介绍了LeanGuard，一种基于轻量级双向编码器的安全护栏，在匹配更大规模推理式护栏精度的同时，速度提升约100倍，挑战了“链式推理对于有效审核必不可少”的假设。
文章描述了 libdeflate 新的级别13，这是一种故意减慢的 DEFLATE 压缩级别，在 Silesia 数据集上仅能实现微不足道的压缩提升（0.134%），但代价是比级别12慢56倍，专为数据压缩一次、解压多次的场景设计。
本文介绍了m3BERT，一种多语言双向编码器，采用新颖的预训练策略，联合优化跨Transformer层和多个嵌入维度的表示，使得单个模型能够适应不同的资源约束。在Bing-Click工业检索数据集上，它显著优于现有最优模型。