热点事件持续更新
PixelUMM：无编码器统一图像视频理解与生成
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月1日，arXiv cs.CV 刊出 PixelUMM 论文。该模型是无需编码器的统一多模态模型，直接在像素空间完成图像与视频的理解与生成：图像被表示为空间 patch，视频被表示为时空 tubelet，二者经单层线性投影接入共享多模态主干。架构上采用 Mixture-of-Transformers，结合共享注意力与任务专属参数，联合支持自回归文本预测与像素空间 flow matching。这是该事件目前公开的唯一一篇报道，暂未见后续进展或其他来源的补充与修正。
AI 根据报道生成 · 1 小时前更新
最新进展10月1日 12:00
arXiv cs.CV 刊出 PixelUMM 论文，提出无需编码器、在像素空间统一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 cs.CVPixelUMM：无需编码器的统一图像与视频理解与生成模型
PixelUMM 是无需编码器的统一多模态模型，直接在像素空间完成图像与视频的理解与生成。它把图像表示为空间 patch、视频表示为时空 tubelet，经单层线性投影接入共享多模态主干，Mixture-of-Transformers 架构结合共享注意力与任务专属参数，联合支持自回归文本预测与像素空间 flow matching。
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。