ICLR 2026｜滑铁卢大学联合可灵提出UniVideo：统一视频理解、生成、编辑多模态

统一多模态模型在多模态内容理解与生成方面已展现出良好效果，但目前仍主要局限于图像领域。 滑铁卢大学与快手可灵团队提出 UniVideo， 一个在统一框架下同时支持视频理解、生成与编辑的多模态生成模型。 UniVideo 采用双流架构，将多模态大语言模型（MLLM）的指令理解与推理能力，与多模态扩散 Transformer（MM-DiT）的高质量视觉生成能力相结合。不同于 以往依赖任务特定设计或受限于单一模态的方法，UniVideo 能够理解多模态指令、区分不同任务类型，并在多项基准上取得接近或超过现有最优方法（SoTA）的 性能。 更重要的是，UniVideo 无需额外的任务特定设计，即可泛化到未见过的任务及新的任务组合。这意味着， 视频生成与编辑不必再被拆分为多个孤立模型，统一建 模本身就带来了更强的扩展性。 目前，该工作已被 ICLR 2026 接收，代码已开源。 项目主页：https://congwei1230.github.io/UniVideo/ 论文地址：https://arxiv.org/abs/2510.08377 效果展示 开源代码：https://github.com/KlingTeam/ ...