PixelUMM NVIDIA 联合滑铁卢大学推出的多模态模型

灵犀编辑部 2026-10-13 0 阅读

PixelUMM是什么

PixelUMM 是 NVIDIA 与滑铁卢大学联合推出的无编码器统一多模态模型，核心突破是彻底移除 VAE 和视觉编码器，用单个 Decoder-only Transformer直接在原始像素空间读写图像与视频，理解和生成共享同一解码器与自注意力。图像按 16×16 patch、视频按 4 帧 tubelet 切分，代码已开源。

PixelUMM的主要功能

文本生视频（T2V）：支持生成最高 832×464、96 帧、24fps 的 4 秒视频，画质与主流视频扩散模型相当。
文本生图像（T2I）：在同一模型内直接生成图像，无需单独的图像分支或解码器。
图像理解：可完成 VQA、OCR、图表、文档等 21 项图像理解任务，达到 8B 级 VLM 的平均水平。
视频理解：支持 MVBench、Video-MME 等视频问答基准，提供 dense 和 sparse 两种输入模式。
图生视频（I2V）：将干净的首帧图像作为条件注入理解专家，即可生成后续视频，无需 VAE 编码条件帧。
视频编辑：以输入视频为视觉条件，通过多模态上下文条件机制实现编辑类任务。

PixelUMM的技术原理

无编码器架构：PixelUMM 彻底移除了传统统一模型中的 VAE 和视觉编码器，图像直接切分为 16×16 patch、视频切分为 4 帧 tubelet 原始 RGB 像素形式输入，输出同样由线性头直接回归像素，整个流程没有 latent 空间的编解码损耗，实现真正的端到端像素读写。
MoT 共享注意力结构：模型用 Qwen3-8B 为骨干构建 Mixture-of-Transformers：理解专家和生成专家各自拥有独立的 FFN，共享同一套 self-attention，使文本、干净像素与噪声像素能在同一注意力空间内交互，在一个模型内统一理解与生成。
像素空间扩散训练：生成任务在像素空间直接做 flow-matching 式训练，消融实验表明像素空间与 VAE 空间的梯度范数几乎一致，但像素空间训练更稳定，且压缩率实验证实 16×16 patch、4 帧 tubelet 是学习难度与效率的最优平衡点。
多模态条件注入机制：参考文本条件、参考图像、输入视频等干净条件统一走理解专家，待生成的噪声 token 走生成专家，两者在共享注意力中融合，扩展了 SenseNova-U1 的 encoder-free 条件方式到图生视频与视频编辑，消融显示设计不损伤理解能力，四项视频基准提升 0.89–3.49 分。
线性输出头与卷积头消融：默认采用轻量线性输出头，会引入 16 像素网格伪影；实验对比 Wan 式上采样卷积头与 PixelShuffle 头，证明卷积头可消除伪影，其中时间优先的 PixelShuffle 是训练损失与伪影抑制间的最佳折中，切换头需要重新训练。

如何使用PixelUMM

克隆仓库： git clone https://github.com/nv-tlabs/PixelUMM ，按 ENVIRONMENT.md 配置 CUDA 环境。
下载权重：从 Hugging Face 的 nvidia/PixelUMM 下载默认 checkpoint S8-F22-R05 ，并按 CHECKPOINT.md 下载 Qwen3-8B 的配置和 tokenizer 文件。
设置路径：配置 PIXELUMM_CKPT 、 PIXELUMM_QWEN_DIR 、 PIXELUMM_OUTPUT 三个环境变量指向本地绝对路径。
校验 checkpoint ：先运行 check_checkpoint.py 检查权重完整性和张量兼容性。
申请安全审核权限：到 Hugging Face 申请 nvidia/Cosmos-1.0-Guardrail 的访问权限并登录。
运行推理：用 inference.py 分别指定 --task t2i / t2v / image-vlm / video-vlm ，配合 prompt、分辨率、帧数等参数生成图像、视频或输出理解结果。
批量生成（可选）：使用 inference_batch.py 配合 YAML prompt 文件批量跑任务。
玩具训练（可选）：按 TRAIN.md 下载 toy 数据集，用 train_toy.py 在 F22 checkpoint 基础上跑四任务训练示例。

PixelUMM的核心优势

彻底无编码器架构：移除 VAE 和视觉编码器，直接在原始像素空间读写，消除 latent 空间编解码带来的信息损耗与伪影来源。
统一理解与生成：单个 decoder-only Transformer 同时完成文生图、文生视频、图像理解、视频理解四大任务，理解专家与生成专家共享同一自注意力。
架构简洁、推理直接：输出由轻量线性头直接回归像素，无需额外解码器，生成链路更短。
条件注入灵活高效：参考图像、输入视频等干净条件走理解专家即可实现图生视频和视频编辑，消融证明该设计不损伤理解能力。
训练规律清晰可扩展：8B 模型达到同等损失仅需 1.7B 模型约三分之一的训练步数，规模化收益明确。

PixelUMM的项目地址

项目官网：https://nv-tlabs.github.io/PixelUMM/
GitHub仓库：https://github.com/nv-tlabs/PixelUMM
HuggingFace模型库：https://huggingface.co/nvidia/PixelUMM
arXiv技术论文：https://arxiv.org/pdf/2609.38597

PixelUMM的同类竞品对比

对比维度 | PixelUMM （NVIDIA × 滑铁卢大学） | BAGEL （字节跳动）

对比维度	PixelUMM（NVIDIA × 滑铁卢大学）	BAGEL（字节跳动）
核心架构理念	Encoder-Free：彻底移除 VAE 和视觉编码器，像素空间端到端读写	Encoder-Based：Wan 系 VAE + SigLIP 视觉编码器，latent 空间扩散生成
骨干网络	Qwen3-8B	Qwen2.5-7B-Instruct
总参数量	15.2B（MoT，稠密激活）	14B MoE（每 token 约 7B 激活）
视觉 token 化	图像 16×16 patch，视频 4 帧 tubelet（p16/t4），原始 RGB 直接输入	VAE 压缩至 latent 后用 patchify 投影
输出方式	轻量线性头直接回归像素（12.6M 参数）	VAE 解码器还原像素
支持任务	T2I、T2V、图像理解、视频理解、I2V、视频编辑	T2I、T2V、I2V、图像理解、图像编辑、视频编辑
图像理解 MMMU	41.67	55.30（大幅领先）
图像理解 AI2D	80.12	89.20
图像理解 ChartQA	82.96	78.50
图像理解 CountBench	94.30	82.50

PixelUMM的应用场景

短视频内容创作：输入一句文案直接生成 4 秒 24fps 视频，适合社交媒体快速产出素材。
图生视频与视频编辑：用首帧或原视频为条件生成/修改内容，可用于电商产品动态展示和影视预演。
长视频理解与问答：对输入视频做描述、摘要和时序推理，适用于内容审核、素材检索和会议纪要。
文档与图表解析：OCRBench 78.0、DocVQA 90.4 的成绩可支撑票据识别、报表问答等企业文档智能化场景。