PixelUMM：无需编码器的统一图像与视频理解与生成模型

PixelUMM 是一个无需编码器的统一多模态模型，直接在像素空间处理图像与视频。图像表示为空间图块，视频表示为时空管状块，通过单层线性投影连接原始像素与共享多模态骨干网络。其混合 Transformer 架构结合共享注意力与任务特定参数，支持自回归文本预测和像素空间流匹配，在图像与视频理解及生成任务上取得竞争力表现。