日本团队全自研图像编码器：媲美 SigLIP2，支持中日英

Noetra 公开技术博客，介绍其从零构建面向多模态 LLM 的图像编码器，以减少对 SigLIP2 等闭源训练模型的依赖。该模型英文基准表现与 ViT-SO400M-14-SigLIP2 相当，日语和中文基准更高，接入多模态 LLM 后的 Vision 任务也超过 SigLIP2。训练数据保留英语、日语和中文，其中中文约占 3.4%，日语约占 9%。