评分 7.0 · 来源：arXiv · 发布于 2026-03-24
评分依据：首个跨动作、语言、图像的统一运动框架，方法论有创新，但在机器人/具身智能落地之前实用性有限
要点
UniMotion 提出了一个统一框架，首次将动作模态（motion）与语言和图像纳入同一个表示空间。通过设计连续的运动潜空间（latent motion space），模型能够同时处理动作理解（如识别动作类型）和动作生成（如生成新动作序列），并与文本和图像进行跨模态对齐。
该方法的核心贡献在于将离散的动作序列表示为连续潜变量，使其能够与 CLIP 式的对比学习框架兼容。实验涵盖了动作识别、文本到动作生成、以及动作到图像生成等任务，在多个基准上取得了统一优于专用模型的效果。
🤖 AI 点评
多模态统一是当前 AI 研究的重要趋势，但大多数工作停留在「文本+图像」层面，动作模态长期被忽视。UniMotion 将动作纳入统一框架是一个有意义的补全。不过，运动数据的获取成本和标注难度远高于文本和图像，这在一定程度上限制了该方法的可扩展性。如果未来能与具身智能的实际场景结合，其价值会进一步提升。