NVIDIA выложила в открытый доступ модель PixelUMM, объединяющую понимание и генерацию изображений и видео в едином пиксельном пространстве — без привычных VAE-кодировщиков и ViT-энкодеров. Авторам это даёт единый стек «видит → понимает → рисует» без потерь на сжатии в латентные пространства.
Для генеративных пайплайнов это шаг к редактированию с пиксельной точностью: одна и та же модель может и ответить, «что на кадре», и перерисовать его часть. Примеры генераций — в галерее.
Дата: 5 ноября 2026. Источник: 机器之心 / Jiqizhixin
