HY-Motion 1.0：腾讯混元开源的文本到 3D 动作生成模型

一、HY-Motion 1.0是什么

HY-Motion 1.0是腾讯混元团队开源的大规模文本到3D人体动作生成模型系列，核心定位是为数字内容创作领域提供高效、高精度的AI驱动动画生成解决方案。作为业界首个将Diffusion Transformer（DiT）架构基于流匹配（Flow Matching）目标扩展至十亿参数级别的动作生成模型，它系统性解决了长期困扰文本到3D动作领域的三大核心痛点：指令理解能力弱、动作质量不稳定（如抖动、滑步）、规模化训练难以落地。

传统3D动画制作依赖专业动画师手工关键帧调试或昂贵的动作捕捉（MoCap）设备，不仅制作周期长、成本高，还对技术门槛要求极高。而现有开源文本到动作模型普遍存在参数量小（多为千万级以下）、动作覆盖范围窄、语义对齐精度低等问题，难以满足工业级应用需求。HY-Motion 1.0的出现打破了这一局面，它通过自然语言描述作为输入，无需复杂操作即可直接输出符合物理规律、细节丰富的3D骨骼动画，实现了从“文本指令”到“可用动画资产”的端到端生成。

该模型系列包含两个版本：标准版HY-Motion 1.0（1.0B参数）与轻量版HY-Motion 1.0-Lite（0.46B参数），前者在动作质量与指令理解精度上达到最优，后者则在保持核心能力的同时优化了部署效率与硬件需求，让个人开发者与小型工作室也能轻松使用。模型输出统一采用SMPL-H标准骨骼格式，保留22个核心关节点的运动信息，确保生成动作具备良好的通用性与兼容性，可直接集成到各类3D创作流程中。

从技术定位来看，HY-Motion 1.0不仅是一个单一模型，更是一套完整的文本到动作生成解决方案——它包含了数据处理管线、多模态融合架构、训练优化策略、部署工具链等全流程组件，开源后为行业提供了首个可落地的十亿参数级动作生成基准，推动3D内容创作从“手工制作”向“AI生成”的范式转移。

二、功能特色

HY-Motion 1.0凭借创新的技术架构与系统化的训练策略，展现出四大核心功能特色，覆盖从性能表现、动作多样性到易用性的全维度需求：

1. 十亿参数级性能，指令跟随能力行业领先

作为首个实现十亿参数规模稳定训练的文本到动作模型，HY-Motion 1.0充分验证了“缩放定律”在动作生成领域的有效性——模型参数量的提升直接带来了指令理解能力的显著飞跃。在权威的SSAE（结构化语义对齐评估）测试中，该模型取得78.6%的高分，远超MoMask（58.0%）、GoToZero（52.7%）等主流开源基准，能够精准解析复杂语义指令。

无论是简单的基础动作（如“缓慢行走”“原地跳跃”），还是多步骤组合动作（如“弯腰捡起地上的物品后站立”），甚至是高难度的影视级动作（如《黑客帝国》经典“子弹时间后仰”），模型都能准确捕捉核心姿态并保持运动连贯性。特别在细粒度指令理解上，模型能够区分“左手挥拳”与“右手挥拳”、“慢跑”与“快跑”等差异，语义对齐精度达到商业级应用标准。

2. 动作质量优异，物理合理性与流畅度兼具

通过三阶段训练与强化学习优化，HY-Motion 1.0生成的动作在流畅度、自然度与物理合理性上实现了质的突破。与传统模型常见的关节抖动、身体悬浮、脚部滑步等问题不同，该模型生成的动作严格遵循人体运动学规律，关节过渡平滑，重心转移自然，视觉观感接近专业动捕数据。

在5分制动作质量评分中，模型平均得分3.43分，其中“动作流畅度”与“物理合理性”两项指标得分均超过3.5分，显著优于同类开源模型。这一优势源于高质量微调阶段对400小时精选数据的学习，以及强化学习阶段针对物理约束的专项优化——通过Flow-GRPO算法引入滑步漂移惩罚项，有效抑制了运动伪影的产生。

3. 动作覆盖广泛，满足多场景创作需求

HY-Motion 1.0构建了业界覆盖最广的动作数据集体系，涵盖6大类、200余种细粒度动作类别，能够满足游戏、影视、VR/AR等不同领域的创作需求。具体动作分类如下表所示：

该数据集通过1200万个野外视频片段、专业动捕数据与游戏级动画资产整合而成，经严格清洗与人工校验后，确保了动作的多样性与纯净度。模型支持单原子动作（如“挥手”）、多步组合动作（如“先坐下再站起来”）与多肢体并发动作（如“一边走路一边打电话”）的生成，满足从简单到复杂的全场景动作需求。

4. 兼容性强，部署与使用门槛低

HY-Motion 1.0在兼容性与易用性上进行了全面优化，确保不同技术背景的用户都能快速上手。模型支持Windows、macOS、Linux全系统部署，提供CLI命令行工具与Gradio可视化Web界面两种使用方式，同时适配ComfyUI插件实现可视化操作。

在输出格式上，模型原生支持SMPL-H骨骼格式，可直接导入Blender、Unity、Unreal Engine等主流3D创作平台，无需额外格式转换工具；通过配套插件，还可导出为FBX格式，进一步扩展兼容范围。针对不同硬件条件，模型提供灵活的显存优化方案，标准版最低仅需26GB显存，轻量版可降至24GB，通过调整参数（如--num_seeds=1）还能进一步降低显存占用。

此外，模型开源了完整的推理代码、预训练权重与示例脚本，用户无需从零搭建开发环境，按照文档指引即可快速完成部署与测试。同时提供的“时长预测+Prompt重写”模块，能够自动处理模糊指令，即使是非专业用户输入的不规范描述，也能生成符合预期的动作。

三、技术细节

HY-Motion 1.0的优异表现源于其创新的技术架构、系统化的训练策略与精细化的数据工程，以下从核心技术模块进行详细解析：

1. 核心架构：DiT+流匹配的多模态融合设计

模型采用Diffusion Transformer（DiT）作为基础架构，结合流匹配（Flow Matching）目标函数，构建了高效的文本到动作生成框架。与传统扩散模型相比，流匹配机制简化了采样过程，提升了生成效率，同时保持了高质量的生成效果，这一组合此前已在HunyuanVideo等项目中得到验证，此次首次成功应用于动作生成领域并扩展至十亿参数规模。

在多模态融合层面，模型创新设计了“双流→单流”的混合Transformer架构，实现文本与动作特征的深度交互：

• 双流模块阶段：动作潜在变量（Latent）与文本Token分别通过独立的Transformer编码器处理，保持各自模态的特征独立性；

• 交互融合阶段：通过联合注意力机制（Joint Attention）实现动作特征对文本语义的查询，建立两者的关联映射；

• 单流模块阶段：将处理后的动作Token与文本Token拼接为统一序列，通过并行空间和通道注意力模块完成深度融合。

为解决扩散过程中噪声对文本语义的破坏问题，模型引入非对称注意力掩码机制——动作Token可关注所有文本Token，而文本Token不可见动作Token，确保语义信息的稳定性。在时间维度上，采用滑动窗口注意力（Window Attention），仅让当前帧关注前后121帧的范围，既捕捉了运动的局部连续性，又将计算复杂度控制在线性水平，保障了长序列动作生成的效率。

位置编码方面，模型采用全旋转位置编码（RoPE），为动作序列与文本描述建立连续的相对坐标系统，强化了时空对应关系，让模型能够更好地理解动作的时间节奏与文本的语义逻辑关联。

2. 文本理解增强：LLM驱动的指令处理模块

为提升对自然语言指令的理解能力，HY-Motion 1.0引入了大语言模型（LLM）作为文本处理核心，构建了“指令解析→Prompt重写→时长预测”的全流程处理 pipeline：

• 文本编码器：采用Qwen3-8B作为基础模型，配合双向Token细化器（Bidirectional Token Refiner），将因果LLM的特征转化为双向表示，解决了自回归模型上下文受限的问题，提升了长文本指令的理解能力；

• Prompt重写模块：由Qwen3-30B-A3B微调而来，能够将用户输入的非结构化自然语言（如“做一个很酷的动作”）转化为模型易于理解的结构化描述（如“站立姿态下，身体快速侧转90度，同时右手挥出一拳，左手自然护胸”），并通过人工校验的标注数据优化，消除机器幻觉带来的语义偏差；

• 时长预测模块：基于LLM的常识推理能力，自动预测动作的合理持续时间，例如将“短暂挥手”解析为1.5秒，“慢跑一段距离”解析为5秒，解决了用户未指定时长时的动作生成合理性问题。

该模块通过有监督微调（SFT）与强化学习（GRPO）两阶段优化，确保了指令改写的准确性与时长预测的合理性，使模型对模糊指令、不规范描述的鲁棒性显著提升。

3. 三阶段训练范式：从规模到质量的渐进式优化

HY-Motion 1.0采用“大规模预训练→高质量微调→强化学习对齐”的三阶段训练范式，实现了泛化能力与生成质量的平衡提升，具体流程如下：

（1）大规模预训练阶段

• 训练数据：超过3000小时的多样化动作数据，来源包括野外视频提取数据、专业动捕数据、游戏动画资产等，涵盖广泛的动作类型与场景，虽然包含少量噪声，但为模型提供了丰富的运动先验知识；

• 训练目标：学习人体运动的基本规律、动作与文本的映射关系，建立通用的运动认知，让模型初步掌握“如何动”的核心逻辑；

• 关键成果：模型能够理解简单指令并生成大致符合要求的动作，建立了鲁棒的语义-动作映射基础，为后续微调奠定基础。

（2）高质量微调阶段

• 训练数据：400小时经过严格筛选的高质量动作子集，通过自动清洗（剔除重复、异常姿态、关节速度离群值）与人工校验，确保数据的纯净度与动作的规范性；

• 训练策略：学习率降至预训练阶段的十分之一，采用更精细的优化目标，重点优化动作的流畅度、细节表现力与物理合理性；

• 关键成果：模型生成的动作从“大致正确”升级为“精确平滑”，高频抖动、滑步等伪影大幅减少，对细粒度指令的敏感度显著提升，同时未牺牲动作多样性。

（3）强化学习对齐阶段

• 优化算法：采用DPO（直接偏好优化）+ Flow-GRPO组合算法，前者基于9000多对人类标注的偏好数据，让模型内化人类对动作质量的评判标准；后者针对物理约束与语义约束进行显式优化；

• 奖励函数：融合语义检索模型（TMR）评分（评估语义对齐度）与物理惩罚项（如滑步漂移、关节角度异常），确保生成动作既符合用户指令，又满足物理规律；

• 关键成果：解决了生成模型“统计上合理但物理上不可行”的核心问题，动作的视觉真实感与用户偏好对齐度显著提升，达到商业级应用标准。

4. 数据工程：从采集到标注的全流程精细化处理

高质量的数据是模型性能的基础，HY-Motion 1.0构建了一套涵盖数据获取、处理、过滤、标注的完整数据管线，确保训练数据的质量与多样性：

（1）数据采集与提取

数据来源包括三大类：1200万个野外视频片段、专业动作捕捉（MoCap）数据、游戏级3D动画资产。对于视频数据，通过GVHMR算法提取SMPL-X参数，转化为3D骨骼动作；对于3D动画数据，直接提取骨骼运动信息，最终汇总形成大规模原始数据集。

（2）数据标准化处理

• 骨架统一：所有动作数据重定向至SMPL-H标准骨架，去除手部骨骼细微差异，保留22个核心关节点的运动信息，确保数据的一致性；

• 格式归一化：将所有动作重采样至30帧/秒，对动作起始位置与朝向进行统一对齐，消除空间位置偏差对训练的影响；

• 噪声过滤：通过自动化算法剔除重复动作、异常姿态、关节速度离群值及存在严重滑步的片段，初步提升数据纯净度。

（3）标注体系构建

• 初步标注：将动作数据（或渲染生成的合成视频）输入Gemini-2.5-Pro等视觉语言模型（VLM），生成初步的动作描述与关键词；

• 人工校验：对VLM生成的标注进行人工审核，修正错误描述、补充缺失细节，消除机器幻觉带来的标注偏差；

• 标准化与扩展：利用大语言模型对标注文本进行结构化处理，生成多样化改写，构建包含动作类别、持续时间、详细描述的层级化分类体系，最终形成覆盖6大类200余种动作的标注数据集。

四、应用场景

HY-Motion 1.0凭借其高质量的动作生成能力、广泛的兼容性与低使用门槛，在多个数字内容创作领域展现出巨大的应用价值，以下是核心应用场景详解：

1. 游戏开发领域

游戏开发是HY-Motion 1.0最核心的应用场景之一，能够为不同类型游戏提供高效的动画资产生成解决方案，显著降低开发成本与周期：

• NPC动画批量生成：对于MMO、开放世界等需要大量NPC的游戏，模型可快速生成巡逻、交谈、拾取物品、闲逛等日常行为动画，无需动画师逐一键帧制作，大幅提升NPC群体的生动性与开发效率；

• 主角动作原型设计：在游戏预研阶段，开发者可通过文本指令快速生成攻击、跳跃、技能释放等核心动作原型，快速验证玩法设计可行性，缩短迭代周期；虽然主角最终动画仍需美术微调，但模型生成的内容可作为高质量基础素材，减少70%以上的基础制作工作量；

• 个性化动作定制：支持生成游戏专属的特色动作，如仙侠游戏的法术释放、武侠游戏的轻功跳跃、恐怖游戏的僵尸蹒跚等，丰富游戏角色的动作库，提升玩家体验。

模型生成的动作可直接导入Unity、Unreal Engine等游戏引擎，无需格式转换，完美适配游戏开发工作流，特别适合中小团队与独立开发者降低制作门槛。

2. 影视与广告制作领域

在影视、广告等视频内容创作中，HY-Motion 1.0可作为高效的预演与辅助制作工具，提升创作灵活性：

• 分镜预演动画生成：导演可通过文本指令快速生成分镜对应的人物动作动画，直观呈现镜头效果与叙事逻辑，便于团队沟通与方案调整，减少实拍阶段的反复试拍成本；

• 广告人物走位设计：对于需要展现特定动作的广告（如体育用品广告的运动场景、日用品广告的使用场景），模型可快速生成符合要求的动作动画，作为后期合成或实拍参考，提升广告制作效率；

• 低成本动画内容制作：对于短视频、科普视频等轻量化内容，可直接使用模型生成的动画素材，无需专业动画团队，降低内容创作门槛，同时支持快速迭代不同版本的动作设计。

3. VR/AR与元宇宙领域

VR/AR与元宇宙应用对实时、自然的人体动作交互需求强烈，HY-Motion 1.0能够提供高质量的动作生成支持：

• VR/AR交互动作生成：为VR游戏、AR导航等应用生成实时响应的人体动作，如虚拟角色跟随用户指令做出挥手、指引、动作示范等，提升交互的自然度与沉浸感；

• 元宇宙 avatar 动作库构建：为元宇宙平台的用户虚拟形象（avatar）提供丰富的动作选择，用户可通过文本描述定制专属动作（如跳舞、打招呼、特殊姿态），增强虚拟社交的趣味性与个性化表达；

• 虚拟场景互动设计：为元宇宙中的虚拟空间生成环境互动动作，如打开虚拟门、操作虚拟设备、与虚拟物品交互等，提升场景的交互丰富度。

4. 数字人与虚拟主播领域

数字人技术的核心需求之一是自然流畅的动作表现，HY-Motion 1.0为数字人开发提供了高效解决方案：

• 虚拟主播实时动作生成：结合实时语音转文字技术，可将虚拟主播的台词转化为对应的肢体动作（如说话时的手势、情绪对应的姿态变化），提升直播的真实感与表现力，减少手动操控成本；

• 数字人交互动作库建设：为客服数字人、教育数字人等不同场景的数字人构建专用动作库，如客服数字人的问候、指引动作，教育数字人的演示、书写动作等，丰富数字人的交互能力；

• 动态数字人内容创作：快速生成数字人在不同场景下的动作动画，如产品介绍数字人的演示动作、虚拟偶像的舞蹈动作等，降低数字人内容制作的技术门槛与周期。

5. 教育与培训领域

在教育与职业培训场景中，HY-Motion 1.0可用于生成直观的动作示范内容，提升教学效果：

• 体育教学动画：生成标准的体育动作示范（如篮球投篮姿势、瑜伽动作分解），帮助学生直观理解动作要领，辅助线下教学；

• 职业技能培训：为工业操作、医疗护理等职业培训生成规范的操作动作动画，如手术器械使用姿势、设备操作步骤对应的肢体动作，帮助学员快速掌握关键动作要领；

• 科普动画制作：生成人体运动、生物力学相关的科普动画，如骨骼关节运动原理、肌肉发力过程等，将抽象知识具象化，提升学习兴趣与理解效率。

五、使用方法

HY-Motion 1.0提供了多种使用方式，支持从新手友好的可视化界面到开发者适用的命令行工具，同时兼容全平台部署，以下是详细使用指南：

1. 环境准备

（1）硬件要求

模型对GPU显存有一定要求，不同版本的最低配置与推荐配置如下表所示：

注：通过调整参数可进一步降低显存占用，具体优化方案见“常见问题解答”部分。

（2）软件环境

• 操作系统：Windows 10/11、macOS 12+、Linux（Ubuntu 20.04+）；

• 依赖库：Python 3.8-3.10、PyTorch 2.0+、CUDA 11.7+（GPU加速必需）、Gradio 3.0+（可视化界面）、NumPy、SciPy、Pillow等；

• 其他工具：Git（代码克隆）、Blender/Unity/Unreal Engine（动画导入与编辑，可选）。

（3）环境安装步骤

1. 克隆GitHub仓库：打开终端，执行命令 git clone https://github.com/Tencent-Hunyuan/HY-Motion-1.0.git，下载项目代码；

2. 进入项目目录：执行 cd HY-Motion-1.0；

3. 安装依赖库：执行 pip install -r requirements.txt，自动安装所有必需依赖；

4. 下载模型权重：从Hugging Face仓库下载对应版本的模型权重（标准版：https://huggingface.co/tencent/HY-Motion-1.0/tree/main/HY-Motion-1.0；轻量版：https://huggingface.co/tencent/HY-Motion-1.0/tree/main/HY-Motion-1.0-Lite），将权重文件放置在项目的`ckpts/`目录下。

2. 三种核心使用方式

（1）Gradio可视化界面（推荐新手）

这是最易用的使用方式，无需编写代码，通过网页界面即可完成操作：

1. 启动界面：在项目目录下执行命令 python gradio_app.py；

2. 配置参数：在浏览器打开生成的本地链接（通常为http://127.0.0.1:7860），在界面中设置：

• 模型版本：选择HY-Motion 1.0或HY-Motion 1.0-Lite；

• 文本提示词：输入动作描述（如“缓慢行走，同时挥手致意”）；

• 动作时长：手动设置或选择“自动预测”；

• 其他参数：采样步数（默认20步，步数越高质量越好但速度越慢）、种子（控制动作随机性）；

3. 生成动作：点击“Generate”按钮，等待生成完成（通常10-30秒，取决于硬件配置）；

4. 预览与导出：在界面中预览动作动画，支持下载为SMPL-H格式文件或FBX格式文件，用于后续导入3D工具。

（2）CLI命令行工具（推荐开发者）

适合集成到自动化脚本或批量生成场景，使用步骤如下：

1. 准备配置文件：在examples/目录下参考示例配置文件，编写JSON格式的配置文件，包含prompt（文本提示）、duration（时长）、model_path（模型路径）等参数；

2. 执行生成命令：在终端执行 python local_infer.py --config_path examples/config.json；

3. 查看结果：生成的动作文件会保存到指定输出目录（默认output/），支持SMPL-H、FBX等格式。

（3）ComfyUI插件（可视化工作流）

适合需要与其他AI工具联动的复杂创作场景：

1. 安装插件：将项目comfyui_plugin/目录下的文件复制到ComfyUI的custom_nodes/目录；

2. 启动ComfyUI：打开ComfyUI，在节点列表中找到“HY-Motion 1.0”相关节点；

3. 构建工作流：拖拽节点搭建生成流程，连接文本输入、模型加载、动作生成、格式导出等节点；

4. 执行生成：点击“Queue Prompt”按钮，生成动作并导出文件。

3. 动作导入与编辑

生成的SMPL-H格式文件可直接导入主流3D工具进行后续编辑：

• Blender：安装SMPL-H导入插件，直接导入文件，可对动作进行关键帧调整、姿态修改、绑定到自定义模型；

• Unity：通过Unity的Animation导入功能，将FBX格式文件导入，适配角色模型骨骼，调整动画参数后即可用于游戏开发；

• Unreal Engine：导入FBX文件后，利用引擎的动画工具进行优化，支持与物理系统、动画蓝图联动。

六、常见问题解答

1. 显存不足怎么办？

• 降低采样种子数量：执行命令时添加--num_seeds=1（默认可能为多个种子），可减少显存占用；

• 缩短动作时长：将动作时长控制在5秒以内，减少生成的帧数量；

• 简化文本提示：将文本提示词控制在30个单词以内，降低文本编码的显存消耗；

• 禁用提示工程：设置环境变量disable_PROMPT_ENGINEERING=True，执行命令disable_PROMPT_ENGINEERING=True python3 gradio_app.py；

• 选择轻量版模型：切换到HY-Motion 1.0-Lite，在牺牲少量质量的前提下降低显存需求。

2. 生成的动作存在轻微抖动或滑步，如何优化？

• 增加采样步数：将采样步数从默认20步提升至30-50步，提升动作平滑度；

• 优化提示词：增加细节描述，如“缓慢行走，脚部完全接触地面，无滑动”；

• 后处理优化：在Blender/Unity中使用动画平滑工具，对关节运动曲线进行插值处理；

• 调整模型参数：在CLI命令中添加--flow_matching_steps=50，增强流匹配的优化效果。

3. 模型无法理解复杂的组合指令，该如何处理？

• 拆分指令：将复杂指令拆分为多个简单指令，分多次生成后拼接动作，如“先弯腰捡东西”和“再站起来”分别生成，再在3D工具中合并；

• 增加细节描述：明确动作的先后顺序、肢体分工，如“左手拿起杯子，举到嘴边，喝一口后放下”；

• 使用结构化提示词：按照“动作主体+动作步骤+姿态要求”的格式编写提示词，如“站立状态下，右脚向前迈出一步，身体前倾，右手伸出指向前方”。

4. 生成的动作与预期不符，如何调整？

• 更换种子：调整--seed参数（如设置为不同的整数），生成不同版本的动作；

• 补充否定提示：在提示词中添加不希望出现的动作，如“跑步，不要跳跃，不要摆臂过大”；

• 调整动作时长：适当延长或缩短动作时长，如将“挥手”从1秒调整为2秒，让动作更完整；

• 检查提示词歧义：避免模糊描述，如将“快速移动”明确为“快速跑步”或“快速侧移”。

5. 模型支持生成涉及物体交互的动作吗？

目前模型对涉及工具或外部物体的精准人-物交互动作支持有限，这是由于训练数据主要关注人体自身运动，缺乏对物体几何和约束的建模。若需此类动作，可采用以下方案：

• 分阶段生成：先生成人体动作，再在3D工具中手动添加物体交互逻辑；

• 提示词强化：详细描述物体位置与交互方式，如“右手握住杯子手柄，将杯子举至胸前”；

• 后期绑定：在Blender/Unity中为生成的人体动作绑定物体，调整骨骼与物体的碰撞关系。

6. 不同操作系统的部署有差异吗？

HY-Motion 1.0在Windows、macOS、Linux上的核心功能完全一致，仅在依赖库安装与GPU加速配置上有细微差异：

• Windows：需确保安装对应版本的CUDA与Visual Studio Build Tools，避免编译错误；

• macOS：M系列芯片用户需使用PyTorch的MPS加速版本，执行pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu后，模型会自动利用MPS加速；

• Linux：推荐使用Ubuntu 20.04+，通过apt-get安装依赖库，GPU加速配置更简便。

7. 模型可以进行二次开发或微调吗？

是的，项目开源了完整的模型代码、训练框架与数据处理管线，支持二次开发与微调：

• 二次开发：可基于hymotion/network/目录下的代码修改模型架构，或扩展pipeline/目录下的生成流程；

• 微调训练：参考scripts/train_finetune.py脚本，使用自定义数据集进行微调，需确保数据格式符合SMPL-H标准，并按照项目提供的标注规范进行文本标注；

• 模型导出：支持将微调后的模型导出为ONNX格式，便于部署到边缘设备。

七、相关链接

• GitHub仓库：https://github.com/Tencent-Hunyuan/HY-Motion-1.0

• Hugging Face模型库：https://huggingface.co/tencent/HY-Motion-1.0

• 技术论文：https://arxiv.org/pdf/2512.23464

• 官方演示页面：https://huggingface.co/tencent/HY-Motion-1.0

八、总结

HY-Motion 1.0是腾讯混元团队开源的一款里程碑式文本到3D动作生成模型，作为首个实现十亿参数规模稳定训练的DiT+流匹配架构模型，它通过三阶段训练范式与精细化数据工程，在指令跟随能力（SSAE指标78.6%）与动作质量上全面超越现有开源基准，系统性解决了该领域长期存在的指令理解弱、动作伪影多、部署门槛高的核心问题。模型覆盖6大类200余种动作，支持全平台部署与主流3D工具兼容，提供标准版与轻量版满足不同场景需求，能够为游戏开发、影视制作、VR/AR、数字人等领域提供高效、低成本的动画生成解决方案，显著降低3D内容创作门槛。其开源不仅为行业提供了首个商业级文本到动作生成基准，更推动了AIGC 3D技术的实用化落地，为数字内容创作行业的效率革命注入了强大动力，同时通过开放的代码与模型，赋能开发者与创作者进行二次创新，构建更丰富的应用生态。