PixelUMM：无需编码器的统一图像与视频理解生成模型

PixelUMM 是一个无需视觉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和生成。它将图像表示为空间 patch、视频表示为时空 tubelet，通过单层线性投影接入共享多模态主干，并采用 Mixture-of-Transformers 架构结合共享注意力与任务专属参数，同时支持自回归文本预测和像素空间流匹配。