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