在视频生成与理解的赛道上，常常见到分头发力的模型：有的专注做视频生成，有的专注做视频理解（如问答、分类、检索等）。而最近， 一个开源项目 UniVid，提出了一个「融合」方向：把理解 + 生成融为一体 —— 他们希望用一个统一的模型，兼顾「看懂视频」+「生成视频」的能力。 这就像把「看图识物」和「画图创作」两件事，交给同一个大脑去做：理解一段文字 + 理解已有视频内容 → 再「画」出新的、连贯的视频 —— 这在技术上挑战 极大。 UniVid 想解决什么问题？ UniVid 尝试把视频「理解」与「生成」融合为一体，构建出一个 真正通用的统一视频模型（Unified Video Model）， 一个既能「理解」又能「生成」的视频多模 态模型。 论文标题：UniVid: The Open-Source Unified Video Model 论文地址：https://arxiv.org/abs/2509.24200 核心创新 1.统一结构：Adapter-based Unified Architecture 在传统方案中，理解模型和生成模型是完全分开的系统，训练开销大、互通困难。要把它们融合，需要重新训练一个庞大 ...