UniVG एक एकसमान बहु-मोडल वीडियो निर्माण प्रणाली है जो कई वीडियो निर्माण कार्यों को संभाल सकती है, जिसमें पाठ और छवि मोड शामिल हैं। बहु-शर्त क्रॉस-अटेंशन और पक्षपाती गाऊसी शोर को शामिल करके, उच्च स्वतंत्रता और निम्न स्वतंत्रता वीडियो निर्माण प्राप्त किया गया है। सार्वजनिक शैक्षणिक मानक MSR-VTT पर, फ्रेचेट वीडियो दूरी (FVD) का न्यूनतम मान प्राप्त किया गया है, जो वर्तमान ओपन-सोर्स विधियों के मानवीय मूल्यांकन प्रदर्शन को पार करता है और वर्तमान क्लोज्ड-सोर्स विधि Gen2 के बराबर है।