پژوهشگران هوش مصنوعی در مقاله‌ای تازه منتشر شده، مدل NeoMME را به عنوان یک رمزگذار بومی چندرسانه‌ای (Multimodal-native) و چندزبانه (Multilingual) معرفی کردند. این مدل با بهره‌گیری از معماری ترکیبی ترانسفورمر و تکنیک‌های فشرده‌سازی وزن، توانسته است حجم محاسباتی را به‌طور قابل‌توجهی کاهش داده و در عین حال دقت بالایی را در وظایف مختلف پردازش زبان طبیعی، تشخیص تصویر و شناسایی گفتار ارائه دهد.
در آزمایش‌های مقایسه‌ای، NeoMME بر روی مجموعه‌داده‌های استانداردی نظیر XNLI، MSCOCO و Common Voice، نتایجی برابر یا بهتر از مدل‌های پیشرو مانند CLIP و mBERT به دست آورد، در حالی که مصرف حافظه و زمان استنتاج آن حدود 30٪ کمتر است. این پیشرفت می‌تواند راه را برای پیاده‌سازی برنامه‌های هوش مصنوعی مقیاس‌پذیر در محیط‌های محدود منابع، از جمله دستگاه‌های موبایل و لبه شبکه، هموار کند.