NVIDIA PixelUMM：去掉 VAE 和 ViT，纯像素空间统一理解与生成

视频加载中

视频加载中

Robots Digest 介绍 NVIDIA 研究 PixelUMM（arXiv:2609.38597）：统一多模态模型里彻底移除 VAE 与 ViT，图像与视频任务都直接在原始像素空间操作，单个无编码器模型同时承担视觉理解与生成。本条为视频摘要，论文详情见 arXiv 链接。