Movens-Zero: 基于大规模人类视频扩展人形运动基础模型

研究团队提出Movens-5M数据集，包含1500万个人类动作序列和500万可执行人形动作序列，总时长超过1万小时，并与文本、RGB视频、语音和音乐对齐。基于此数据集，他们开发了Movens-Zero架构，支持跨模态联合学习和实时闭环执行，并通过任务混合流匹配训练优化了七种生成任务的单个动作专家。