热点事件持续更新
PixelUMM：无需编码器的统一图像与视频理解与生成模型
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026-10-01，arXiv 发表 PixelUMM，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。
AI 根据报道生成 · 1 小时前更新
最新进展10月1日 12:00
PixelUMM 在 arXiv 发表，以无编码器设计在像素空间统一处理图像与视频理解与生成。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv · Computer VisionPixelUMM：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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。