HY-Motion 1.0 - 腾讯混元开源的文本到3D动作生成大模型

HY-Motion 1.0是什么

HY-Motion 1.0（混元Motion 1.0）是腾讯混元团队开源的十亿参数级文本到 3D 动作生成大模型。基于 Diffusion Transformer（DiT）架构与流匹配机制，仅需一句自然语言描述，能生成高保真、流畅多样的 3D 角色骨骼动画。模型采用全阶段训练策略，包括在超 3000 小时多样化动作数据上预训练、在 400 小时精选高质量数据上微调，以及通过强化学习结合人类反馈和奖励模型进行优化。覆盖 6 大类超 200 种动作，输出为 SMPL-H 骨骼格式，支持原子动作、组合序列及并发动作生成。在性能评估中，指令遵循能力达 78.6%，动作质量平均 3.43 分（5 分制），全面超越 MoMask、DART 等开源基线。

HY-Motion 1.0的主要功能

• 文本驱动动作生成：通过自然语言描述直接生成高质量的3D骨骼动画，实现从文本到动作的高效转化。
• 多样化动作覆盖：涵盖6大类超200种动作，包括基础位移、体育竞技、社交休闲、游戏角色动作等，满足多种场景需求。
• 高质量动作输出：支持SMPL-H骨骼格式，生成的动画流畅自然，动作细节丰富，适用于高要求的动画制作。
• 主流工具兼容：直接兼容Blender、Unity、Unreal Engine等主流3D工具，方便用户快速集成和使用。
• 灵活的输出选项：支持原子动作、组合序列及并发动作生成，满足不同复杂度的动画需求。
• 开源与易用性：提供完整的推理代码、预训练模型权重和详细文档，支持多种操作系统，易于上手。

HY-Motion 1.0的技术原理

• 基于Diffusion Transformer架构：采用先进的Diffusion Transformer（DiT）架构，结合流匹配机制，能高效地将文本描述转化为高质量的3D骨骼动画。
• 全阶段训练策略：模型通过三个阶段的训练优化性能：在超3000小时多样化动作数据上进行预训练，以学习广泛的动作模式；在400小时精选高质量数据上进行微调，提升动作精度；最后通过强化学习结合人类反馈和奖励模型进行优化，确保生成动作的自然性和准确性。
• 流匹配机制：利用流匹配技术，模型能更好地捕捉动作数据中的连续性和动态变化，生成更加流畅和自然的动画。
• 多模态融合：将文本模态与动作模态进行深度融合，通过文本编码器将文本描述转化为特征向量，再与动作生成器结合，实现精准的动作生成。
• 强化学习优化：引入强化学习机制，结合人类反馈和奖励模型，对生成的动作进行评估和优化，进一步提升模型的动作生成质量和指令遵循能力。

HY-Motion 1.0的项目地址

• 项目官网：https://hunyuan.tencent.com/motion
• Github仓库：https://github.com/Tencent-Hunyuan/HY-Motion-1.0
• Huggingface模型库：https://huggingface.co/tencent/HY-Motion-1.0
• arXiv技术论文：https://arxiv.org/pdf/2512.23464

HY-Motion 1.0的应用场景

• 影视动画制作：快速生成角色动作，降低动画制作成本和时间，提升创作效率。
• 游戏开发：为游戏角色提供多样化动作，增强游戏体验，适配不同游戏场景。
• 虚拟主播与数字人：生成自然流畅的动作，提升虚拟形象的互动性和真实感。
• 教育与培训：创建教学动画，模拟复杂动作过程，辅助教学和培训。
• 广告与营销：制作个性化动画广告，吸引观众注意力，提升营销效果。
• VR/AR应用：为虚拟现实和增强现实内容生成实时动作，增强沉浸感。