专题 · FULL STORY
PixelUMM：从发布到开源的像素统一模型
NVIDIA 联合滑铁卢大学发布 PixelUMM，一个免编码器的统一多模态模型，可在像素空间同时完成图像与视频的理解与生成。数日后团队进一步开源该 150 亿参数模型，事件线由发布走向开源落地。
2026-10-02 ~ 2026-10-06 · 2 集 · 5 条
第 1 集 · NVIDIA 发布免编码器统一多模态模型 PixelUMM(2026-10-02,3 条)
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。
- 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
第 2 集 · NVIDIA 开源 PixelUMM：无编码器直接在像素空间统一理解与生成(2026-10-05,2 条)
NVIDIA 研究团队开源 PixelUMM，这是一个 150 亿参数的无编码器统一多模态模型，可直接在原始像素空间同时处理图像与视频的理解和生成任务。架构上完全去除了 VAE 和预训练视觉编码器（ViT），生成过程不再依赖 VAE 做压缩，理解任务也不需要单独的视觉编码器，实现了理解与生成在统一架构下的融合。
- NVIDIA 开源 PixelUMM：去 VAE/ViT，直接在像素空间统一理解与生成 — udmrzn · 2026-10-05
- NVIDIA 开源 PixelUMM：15B 模型直接从原始像素做图像视频理解与生成 — lmoroney · 2026-10-06