NVIDIA开源PixelUMM：一个模型同时支持图文和视频的理解与生成

NVIDIA开源了无编码器多模态模型PixelUMM，一套架构同时处理图像和视频的理解与双向生成。它去掉了传统独立的视觉编码器，把画面切分成像素块直接送入主模型，让输入理解和输出生成共用同一套底层表示。这种设计简化了多模态流程，模型和权重已完整开源。