英伟达开源 PixelUMM, 在像素空间统一视频图像理解与生成

英伟达开源 PixelUMM 统一视频图像理解与生成，采用像素空间表示替代 VAE 和 ViT，将理解与生成任务置于同一上下文，减少 token 消耗并提升效率。该模型支持视频和图像输入，通过单一 token 处理视觉任务，实现更紧凑的多模态交互。