**HYDRA-X：基于整体视觉分词器的原生统一多模态模型** _HYDRA-X: Native Unified Multimodal Models with

**HYDRA-X：基于整体视觉分词器的原生统一多模态模型**

_HYDRA-X: Native Unified Multimodal Models with Holistic Visual Tokenizers_

> HYDRA-X是首个在单个Vision Transformer(ViT)内统一图像与视频分词的原生统一多模态模型。通过帧级因果时间注意力与分层时间压缩，高效注入时空重建能力；并利用轻量化解压器在联合监督下上采样压缩特征，将语义感知嵌入潜在空间。此外，提出在分词器内部进行潜空间编辑交互，显著提升编辑一致性与收敛速度。该7B模型在图像和视频理解与生成任务上表现优异，为统一分词器多模态模型铺平道路。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.13289)

HYDRA-X：基于整体视觉分词器的原生统一多模态模型 _HYDRA-X: Native Unified Multimodal Models with

原帖