Новые команды по ходу синтеза: многодорожечный таймлайн для 3D-движений человека

12 ноября 20262 просмотров

Предложен метод, который принимает новые текстовые указания уже во время синтеза и позволяет независимо задавать перекрывающиеся интервалы действий. Согласование одновременных движений разных частей тела обеспечивается интервальным кондиционированием и процедурой денойзинга с учётом частей тела; на TimelineMotion и MTT авторы сообщают о лучшем соответствии семантике и временным ограничениям, чем у потоковых базовых решений.

Новые команды по ходу синтеза: многодорожечный таймлайн для 3D-движений человека

Новые команды во время движения

Интерактивным приложениям нужно реагировать на новые инструкции, не прерывая текущие действия. Пример — ответить на телефон во время ходьбы. Для генерации 3D-движений человека эту задачу решает подход TimelineControl. Он принимает инструкции потоком, пока действие продолжается.

Ключевые требования к такому сценарию:

  • команда добавляется после старта движения;
  • текущее действие не останавливается;
  • временные границы новой инструкции сохраняются.

Практический критерий выбора — поддержка добавления команд по ходу синтеза, а не только на этапе запуска.

Три элемента многодорожечного контроля

TimelineControl использует интервально-ориентированное кондиционирование. Оно сохраняет временные границы инструкций. Причинно-структурированные представления частей тела задают структуру движения. Процедура денойзинга с учётом частей тела координирует одновременные действия в разных областях тела.

Что делает каждый элемент:

  • интервальное кондиционирование удерживает границы во времени;
  • представления частей тела связывают команду с областью тела;
  • денойзинг с учётом частей тела согласует действия, идущие параллельно.

Практический критерий — наличие интервала и части тела для каждой команды. Без этих элементов многодорожечный контроль не опирается на заявленный дизайн.

Данные TimelineMotion

Авторы создали набор данных TimelineMotion. Он содержит перекрывающиеся интервалы инструкций и аннотации частей тела. Такая структура нужна для проверки одновременных команд.

Что даёт набор:

  • перекрывающиеся интервалы показывают, как система держит несколько инструкций сразу;
  • аннотации частей тела связывают инструкции с областями тела;
  • данные позволяют оценивать соблюдение временных границ.

Практический критерий — набор с пересечением интервалов. Последовательные команды не создают нагрузку на многодорожечное управление.

Результаты на TimelineMotion и MTT

В экспериментах на TimelineMotion и MTT подход повышает семантическое соответствие. Он также повышает соблюдение временных ограничений. Сравнение идёт с оценивавшимися потоковыми базовыми моделями. В их число входят модели, переобученные на тех же данных.

Что подтверждают авторы:

  • абляционные исследования поддерживают предложенный дизайн;
  • оценки людей подтверждают дизайн;
  • представлены демонстрации пространственного кондиционирования;
  • показано исполнение движений гуманоидом.

Практический критерий — оценка по двум осям: смысл команды и тайминг. Обе метрики указаны в результатах.

Статус статьи и артефактов

Статья «Streaming Multi-Track Timeline Control for 3D Human Motion Generation» вышла как arXiv:2610.03873. Авторы подали v1 2 Oct 2026 и выпустили последнюю редакцию 19 Oct 2026 (v2).

Ключевые сведения:

  • идентификатор: arXiv:2610.03873;
  • v1: 2 Oct 2026;
  • v2: 19 Oct 2026;
  • артефакты: код, данные и модели авторы опубликуют.

Состав авторов: Yangsong Zhang, Anujith Muraleedharan, Rikhat Akizhanov, Gül Varol, Fabio Pizzati, Ivan Laptev. Практический критерий — доступность кода, данных и моделей.

Часто задаваемые вопросы

Похожие материалы

Все материалы
COPEX помогает отделить уязвимость модели от слабых мест инфраструктуры MCP
Новости

COPEX помогает отделить уязвимость модели от слабых мест инфраструктуры MCP

Контролируемый бенчмарк фиксирует агентную обвязку и оценивает только выбор инструментов языковой моделью в 125 сценариях атак через четыре канала MCP. В 3 375 испытаниях на девяти моделях средняя доля успешных атак составила 64,4%, а совместная проверка входных данных и контекста снизила её почти вдвое.

12 ноября 2026
Вероятностная коррекция волновых прогнозов: BridgeCast связывает физические модели с реанализом через потоковое сопоставление
Исследования

Вероятностная коррекция волновых прогнозов: BridgeCast связывает физические модели с реанализом через потоковое сопоставление

Представлен гибридный метод, который с помощью условного потокового сопоставления, трансформерной архитектуры и экзогенных атмосферных признаков преобразует выходы физических моделей волнения в поля, близкие к реанализу. Авторы сообщают о стабильном преимуществе над прежними передовыми базовыми решениями при различных сроках заблаговременности и в разных регионах.

12 ноября 2026
RLTLDR: агент сам формулирует вывод из неудачи и учитывает его в следующей попытке
Новости

RLTLDR: агент сам формулирует вывод из неудачи и учитывает его в следующей попытке

После провала агенту показывают сигнал верификатора и просят сжать его в одну подсказку; обучение идёт на связках «задача — подсказка», без учителя и эталонных решений. На сложных наборах для программирования и вызова инструментов метод поднимает Pass@1 с 0–1% у GRPO до 12–31%, причём решающий вклад даёт именно усвоение такой связки.

12 ноября 2026
TimelineControl: новые команды по ходу синтеза 3D-движений