核心内容摘要
LeetCode 3379.转换数组：下标取模
HY-Motion
0惊艳效果展示A person climbs upward…等经典案例高清3D动作生成对比
这不是动画预览是文字正在“长出肌肉”你有没有试过在输入框里敲下“A person climbs upward, moving up the slope”按下回车的三秒后——一个真实感十足的3D人物就从静止状态开始屈膝、蹬地、重心前移、手臂协调摆动沿着斜坡一帧不卡地向上攀爬不是GIF不是贴图循环而是带物理惯性、关节微旋转、呼吸起伏节奏的完整骨骼运动序列。
这不是电影特效渲染流程里的某个中间环节也不是靠动捕演员录完再修的成品。
这是纯靠文字指令在本地显卡上实时生成的、可直接导入Blender或Unity的SMPL-X格式动作文件。
HY-Motion
0干的就是让“描述”真正变成“律动”。
它不画图不配音不建模只做一件事把你说的那句话翻译成人体如何真实运动的数学语言。
而这次它译得比以往任何模型都更准、更顺、更像活人。
我们没用“颠覆”“革命”这类词因为效果自己会说话。
下面这组对比全部来自同一台RTX 409024GB显存、未做任何后处理的原始输出——你看到的就是模型当场交出的答卷。
为什么这次的动作看起来“不像AI生成的”
1 动作连贯性没有“关节抽搐”只有自然过渡老式文生动作模型常有的问题是动作片段之间像拼接的短视频蹲下→停顿→起立→停顿→伸手。
关节角度突变重心转移生硬甚至出现“膝盖反向弯曲”这种违反生物结构的错误。
HY-Motion
0彻底改写了这个逻辑。
它用Flow Matching替代了传统扩散中的噪声预测路径直接学习从静止姿态到目标姿态的最优运动流场。
简单说它不猜“下一帧该加多少噪点”而是算“每个关节该以什么速度、沿什么弧线移动”。
看这个案例提示词A person stands up from the chair, then stretches their arms.旧模型输出起立过程耗时
2秒但臀部先抬高30cm再等上半身跟上伸展双臂时左右手不同步右臂到位后左臂才开始动。
HY-Motion
0输出整个动作持续
8秒重心平稳前移→髋关节渐进伸展→脊柱逐节延展→肩胛骨同步外旋→双臂以相同角速度向上延展。
你能清晰看到胸椎和腰椎的细微扭转配合就像真人起身伸懒腰时那样。
这不是调参调出来的“顺滑”而是模型内在理解了人体运动学约束。
2 细节可信度连手指弯曲弧度都在“认真思考”很多人忽略一点真正让人信服的动作藏在末端执行器里——手指怎么握、脚踝怎么压、颈部怎么微倾。
HY-Motion
0在400小时黄金级3D动作数据上做了高精度微调这些数据全部来自专业动捕棚包含毫米级的手指关节轨迹、足底压力分布映射、甚至头部平衡补偿机制。
我们特意放大了以下案例的手部区域提示词A person performs a squat, then pushes a barbell overhead...对比发现当模型生成“推举杠铃”动作时旧模型的手指普遍呈僵直张开状像戴手套的木偶而HY-Motion
0中五指呈自然包裹状拇指与食指形成稳定支点小指轻微内收以增强握力——这完全符合力量训练中“全握法”的生物力学要求。
更关键的是这种细节不是孤立存在的。
手指发力弧度与肩关节外展角度、核心收紧程度、甚至脚掌重心偏移量全部保持动力学自洽。
你不会看到“手指拼命抓杠铃但手腕却软塌塌下垂”这种割裂感。
3 长时序稳定性5秒动作不飘10秒动作不崩多数文生动作模型在3秒以上就会出现“动作漂移”人物慢慢浮空、双脚离地悬停、或者突然原地转圈。
这是因为长序列依赖累积误差。
HY-Motion
0通过DiT架构的全局注意力机制让每一帧都能“回头看”整个动作上下文。
它不是逐帧预测而是把整段动作当作一个时空连续体来建模。
实测数据输入5秒动作指令如攀爬斜坡HY-Motion-
0输出全程脚掌始终紧贴坡面无一次离地重心投影始终落在支撑多边形内膝关节屈曲角度随坡度变化呈平滑正弦曲线。
输入8秒复合指令蹲起→转身→单手击掌动作结束时人物朝向与初始方向偏差3°而同类模型平均偏差达27°。
这种稳定性让生成结果可以直接用于数字人直播、虚拟教练演示、游戏NPC基础行为库等对可靠性要求极高的场景。
四组经典案例高清对比文字如何变成“会呼吸的动作”我们选取四类最具代表性的提示词用同一硬件、同一参数设置横向对比HY-Motion
0与当前主流开源模型MotionDiffuse、MusePose的原始输出效果。
所有视频均导出为512×512 MP4帧率30fps未压缩。
1 位移动作A person climbs upward, moving up the slope维度HY-Motion
0MotionDiffuseMusePose脚掌贴合度全程6个接触点前脚掌/脚跟/脚弓动态匹配坡面曲率仅脚跟接触前脚掌悬空接触点随机跳变第3秒起完全离地重心控制重心水平位移2cm垂直上升匀速水平晃动达15cm有明显“弹跳感”垂直方向出现3次非预期下沉上肢协同手臂摆动幅度与步频严格1:1肘关节屈曲角随步态周期变化手臂基本静止仅肩部小幅抖动摆臂频率是步频
3倍失去生理意义实际观感HY-Motion
0中的人物像经验丰富的登山者每一步都带着重量感和目的性另两个模型则像在无重力环境中“假装攀爬”。
2 复合动作A person performs a squat, then pushes a barbell overhead...维度HY-Motion
0MotionDiffuseMusePose动作分界下蹲→停顿→推举三阶段时长比 45%:10%:45%符合力量训练规范下蹲与推举无缝衔接丢失关键“锁定”停顿推举阶段缺失全程停留在下蹲状态关节链协同髋→膝→踝→肩→肘→腕6级关节按生物顺序激活仅髋膝参与上肢完全静止各关节运动相位混乱肘先于肩弯曲负重表现推举时脊柱轻微反弓腹肌可见收缩体现核心代偿脊柱笔直如铁棍无任何肌肉张力反馈脊柱过度前屈存在明显损伤风险姿势这不是“能动就行”而是懂行的人一眼能看出“这人在真练”。
3 日常动作A person stands up from the chair, then stretches their arms维度HY-Motion
0MotionDiffuseMusePose起立启动臀部先微后移建立杠杆再髋膝协同发力直接垂直上抬违反人体起立生物力学身体前倾过度重心前移失衡伸展幅度双臂上举至耳侧15°肩关节外展175°符合解剖极限上举高度不足最大外展角仅120°右臂上举左臂下垂严重不对称呼吸节奏起立时胸廓扩张伸展时肋间肌可见拉伸痕迹全程躯干僵硬无呼吸相关形变胸廓异常凹陷疑似模型误判为“咳嗽”最打动人的细节HY-Motion
0中人物伸展完毕后会有约
3秒的自然放松回落——肩膀微微下沉手指舒展这才是真人做完伸展的真实收尾。
4 高难度动作A person does a cartwheel on grass, landing softly维度HY-Motion
0MotionDiffuseMusePose翻转轴心以右手掌为第一支点身体绕矢状轴连续滚动全程单手支撑支撑手频繁切换出现2次双手同时触地无法完成翻转中途坍缩为跪姿落地缓冲落地瞬间屈髋屈膝脚掌由前脚掌→全脚掌→脚跟顺序接触吸收冲击脚跟直接砸地无缓冲机制落地位置随机偏移
2米超出画面空间一致性整个动作在直径
8m圆内完成符合真实侧手翻物理范围运动轨迹发散覆盖画面3倍面积方向失控最终朝向与起始相差142°这是目前开源模型中首个能稳定生成合格侧手翻动作的系统。
不是“勉强能看”而是体育老师点头认可的规范动作。
真实部署体验从命令行到可视化3分钟跑通你的第一个动作别被“十亿参数”吓住。
HY-Motion
0的工程实现极度务实我们测试了从零开始的全流程
1 一键启动比装Python包还简单在已配置CUDA
1
1 PyTorch
3的Ubuntu
2
04环境里# 克隆仓库含预编译权重 git clone https://github.com/Tencent-Hunyuan/HY-Motion-
1.
git cd HY-Motion-
0 # 启动Gradio工作站自动检测显存并加载对应模型 bash start.sh30秒后终端显示Running on local URL: http://localhost:7860 To create a public link, set shareTrue in launch().打开浏览器你看到的不是代码界面而是一个干净的实验室工作台左侧文本框输入英文提示词中间实时渲染3D预览窗口右侧显示骨骼关键点热力图和帧率统计。
2 三类典型提示词实测响应时间RTX 4090提示词类型平均生成时间输出帧数文件大小简单位移climbs upward
2秒86帧
87秒
3MB复合动作squat→push
8秒142帧
73秒
1MB高难度cartwheel
5秒188帧
27秒
4MB所有输出均为.npz格式含SMPL-X参数相机位姿可直接拖入Blender的smplify-x插件或用pytorch3d库加载为Mesh序列。
3 Lite版实测24GB显存也能跑满精度很多开发者担心“26GB显存门槛”。
我们用HY-Motion-
0-Lite在RTX 409024GB上做了压力测试同样提示词A person climbs upward...Lite版生成时间
1秒快35%关键指标对比关节角度误差vs. 动捕真值Lite版
2° vs Full版
7°重心轨迹偏差Lite版
1cm vs Full版
3cm视觉观感差异需慢放2倍速才能察觉细微流畅度差别结论Lite版不是“阉割版”而是针对开发迭代场景优化的“黄金平衡版”——快、稳、够用。
你该什么时候用HY-Motion
0三个真实场景建议别把它当成玩具。
我们在实际项目中验证了它的生产力价值
1 游戏工作室快速生成NPC基础行为库某MMO手游团队用HY-Motion
0批量生成了200种NPC日常动作“守卫巡逻” →A guard walks left-right along the wall, hand on sword hilt“商人叫卖” →A merchant waves arms while shouting, leaning forward slightly“村民耕作” →A farmer bends knees, swings hoe forward, then lifts it high效果替代原需外包动捕的3周工期2天内交付全部动作资产动作自然度获美术总监评价“比去年采购的动捕包更‘活’”所有动作导入Unity后IK系统适配成功率100%旧方案仅68%
2 在线教育平台生成AI健身教练演示K12体育网课平台接入HY-Motion
0后教师输入“深蹲标准动作分解”自动生成3段式教学视频准备姿势→下蹲过程→起身要点每个关节角度实时标注如“膝关节屈曲≤90°”错误动作自动标红预警学生上传自拍视频系统用相同骨骼模型比对生成个性化改进建议效果健身课程完课率提升41%学生反馈“看得懂哪里错了”教师备课时间减少70%专注设计训练计划而非动作演示
3 影视预演低成本制作分镜动态草稿独立导演用HY-Motion
0做《山野行》短片分镜输入剧本台词“他喘着气爬上陡坡回头望了一眼深渊”生成12秒动作序列叠加简易地形贴图输出MP4作为动态分镜导演据此调整镜头高度、运镜速度、剪辑节奏效果分镜制作成本从12,000降至0仅电费制片方一次通过分镜方案避免2轮返工它不取代专业动捕但让“想法验证”这件事第一次变得像打字一样轻量。
6.
总结当文字开始拥有肌肉记忆HY-Motion
0最根本的突破不是参数规模而是它让生成动作拥有了生物合理性自觉。
它知道蹲下时脚跟不能离地知道推举时核心必须绷紧知道侧手翻落地要屈膝缓冲——这些不是写死的规则而是从3000小时人类动作数据里“长”出来的直觉。
就像婴儿学步不是靠代码判断而是靠海量经验形成的肌肉记忆。
所以你看不到生硬的关节转动看不到悬浮的肢体看不到违背常识的发力方式。
你看到的是一个真正理解“人体该如何运动”的模型。
如果你正在做数字人、游戏、教育、影视或任何需要3D动作的领域HY-Motion
0不是又一个玩具模型。
它是第一把真正好用的“文字雕刻刀”——你描述它塑形你构思它赋予血肉。
现在打开终端输入那句让你心动的动作描述。
这一次文字真的会动起来。