NVIDIA 发布免编码器统一多模态模型 PixelUMM

NVIDIA 与滑铁卢大学团队合作发布 PixelUMM，一个免编码器的统一多模态模型，直接在像素空间同时完成图像与视频的理解与生成，去除了 VAE 与视觉编码器，代码和权重已开源。该模型基于 Qwen3-8B 微调，已在 Hugging Face 上架，旨在解决现有统一多模态模型架构的局限。

2026-10-02 ~ 2026-10-02 · 3 条相关

• NVIDIA 上架 PixelUMM:基于 Qwen3-8B 的图文视频理解模型 — nvidia · 2026-10-02
• NVIDIA 发 PixelUMM:免编码器统一图像视频理解与生成 — nvidia · 2026-10-02
• NVIDIA 等发布 PixelUMM:去 VAE 与视觉编码器的像素空间统一多模态模型 — CSProfKGD · 2026-10-02