PixelUMM：无编码器的统一图像与视频理解和生成

英文标题：PixelUMM: Encoder-Free Unified Image and Video Understanding and Generation

论文《PixelUMM》提出面向图像与视频理解及生成的无编码器统一多模态模型方向。原摘要指出，现有统一多模态模型通常为理解和生成使用彼此独立的视觉表示，这会增加视觉上下文长度，并使其更难与既有视觉—语言预训练流程整合。该工作意在探索更统一的视觉建模方案，对需要同时处理视觉理解与生成任务的开发者具有参考价值。原始材料仅提供了摘要开头，未包含具体方法细节、实验数据或结论。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB