**告别VAE和ViT！英伟达开源PixelUMM，在像素空间统一视频图像理解与生成**

_告别VAE和ViT! 英伟达开源PixelUMM, 在像素空间统一视频图像理解与生成_

> 英伟达开源了PixelUMM模型，该模型摒弃了传统统一多模态模型中分别使用ViT进行理解、VAE进行生成的双流架构。PixelUMM直接在像素空间统一处理视频与图像的理解和生成任务，从而避免了因使用两种不同token导致的视觉上下文变长问题，并简化了视觉-语言接口。

**来源信息**
- **来源**：机器之心：文章库（API）
- **分类**：ai-models
- **发布时间**：2026-11-01 19:33（北京时间）
- **原文**：[打开原文](https://www.jiqizhixin.com/articles/2026-11-01-3)