当听到「把双手举过头顶，然后向前走」，人可以在脑中补出一整段动作；当看到一段无声的人体轨迹，也能判断人物是在行走、转身还是踉跄。连续运动既可以被语言描述，也可以作为生成、预测和编辑的条件。

今天的多模态大模型已经能够理解和生成文本、图像，却很少把「人怎样连续运动」作为独立模态。动作从单帧延伸到数秒后，模型还需处理顺序、速度、方向、重心转移与全身协调。

(相关资料图)

北京大学、东华大学与华南理工大学的研究团队提出 UniMotion，将连续运动纳入统一多模态模型（Unified Multimodal Model，UMM），在同一框架中连接 Motion、Text 与 RGB。论文已被 ECCV 2026 录用。

图 1｜UniMotion 在同一框架中覆盖运动理解、生成、预测与编辑等七项任务。

• 论文标题：UniMotion: A Unified Framework for Motion-Text-Vision Understanding and Generation
• 论文链接：https://arxiv.org/abs/2603.22282
• 项目主页：https://wangzy01.github.io/UniMotion
• 代码链接：https://github.com/wangzy01/UniMotion

统一多模态建模中的运动模态缺口

人体运动领域，「单帧」Pose 描述某一帧的人体构型，「多帧」Motion 则记录身体结构怎样随时间演化。逐帧姿态看起来合理，不代表连成序列后依然自然：脚掌落地后继续平移会形成脚滑，关节角度跳变会产生抖动，动作阶段顺序错误则会破坏完整语义。

现有 Motion–Text 方法多将轨迹量化为离散 token，便于接入语言模型，却可能损失细粒度变化和时间连续性；视觉大模型的人体建模又主要围绕静态 Pose 展开。UniMotion 则让连续运动以完整模态进入统一理解与生成过程。

表 1｜代表性方法的任务覆盖与运动表示。UniMotion 是表中唯一覆盖七项任务的方法。

连续运动接口与跨模态对齐

UniMotion 建立在 Show-o2 1.5B 上。Text、Motion 和 RGB 进入共享 LLM backbone；文本继续使用离散 token 与自回归生成，Motion 和 RGB 则编码为连续 latent，并由各自的 flow head 完成生成。统一发生在语义与推理主干，模态专属接口仍被保留。

图 2｜Motion 与 RGB 通过平行连续通路进入共享骨干，Text 保留自回归接口。

运动 latent 经过语义与生成双路径嵌入器：前者概括动作含义与阶段，后者保留局部关节和时间位置；Hybrid Attention 与按模态路由的 LoRA 负责协调连续信号和文本的不同建模需求。

Cross-Modal Aligned Motion VAE（CMA-VAE）把运动编码为连续 latent。训练时，DPA 将带图像语义的后验对齐到只读取运动的 Motion Encoder；推理时视觉融合编码器被移除，纯运动任务无需额外图片。

图 3｜CMA-VAE 通过训练期视觉后验对齐连续运动表示，两条编码通路共用 Motion Decoder。

连续表示建立后，新运动通路仍需预校准。LRA 使用 motion latent 作为稠密条件，让 flow head 从噪声重建目标 latent，共同校准嵌入器、主干适配分支和生成头。Motion-to-Motion 只提供预训练信号，简单但清晰地提升下游任务上的能力。

图 4｜LRA 以 Motion-to-Motion 自监督任务预校准运动生成通路。

理解、生成与编辑能力

图 5｜文本生成连续动作：左侧为「a person throws something then moves forward」，右侧为「a man jumps and brings both arms above his head as he spread his legs and then moves them back into the original position」。

Text-to-Motion 需要把语言展开为完整时序，Motion-to-Text 则从连续轨迹中概括动作含义和阶段顺序。

图 6｜UniMotion 根据连续动作生成英文描述。

Motion Editing 同时接收源运动与文本指令。下图中，源动作「挥手」被改为「喝咖啡」，动作语义发生变化，轨迹仍保持连续。

图 7｜源动作在「not waving drink coffee」指令下被编辑为喝咖啡。

Motion Prediction 则根据已观察前缀延续未来轨迹。样例提供 1.05 秒动作，模型继续预测随后 4.35 秒的变化。

图 8｜模型根据 1.05 秒动作前缀预测后续 4.35 秒轨迹。

同一接口还支持从图像恢复人体姿态、为图像或视频生成描述，并让参考运动参与人物图像编辑。运动由此可以充当输入、输出和跨模态生成条件。

实验结果

实验覆盖 HumanML3D、MotionFix、Human3.6M、MoVid 等数据集。雷达图显示，UniMotion 是对比方法中唯一覆盖全部任务方向的模型。

图 9｜七项任务的跨任务结果概览

论文在 Text-to-Motion、Motion-to-Text、动作预测、动作编辑和视觉人体恢复等任务上分别报告了有竞争力的结果；其中 Text-to-Motion 的分布指标并非全部最优，专用人体恢复模型也仍有更低误差。Text-to-Motion 的完整定量比较见论文表 3。

表 2｜HumanML3D 上的 Text-to-Motion 结果。

项目页还给出了同一复杂提示下的定性比较。在「a person stomps up some stairs」案例中，动作需要连续抬腿、转移重心并表现踏步力度；UniMotion 对这些阶段的执行更完整。

图 10｜MoMask、MotionGPT 与 UniMotion 在同一英文提示下的生成结果。

UniMotion 展示了统一多模态大模型接入连续、结构化非原生模态的一种方式：共享语义与推理能力，同时保留专属表示和生成接口。这一思路可服务于通用人体行为理解、数字人和内容创作，也为其他连续信号提供设计参照。

作者介绍

王梓懿、王鑫舜，北京大学深圳研究生院在读博士，研究方向为多模态大模型与人类运动；陈爽，东华大学在读本科生，研究方向为世界模型；丛杨，华南理工大学教授，研究领域为机器人自主操作、端侧智能与学习等等；刘梦源，北京大学深圳研究生院博导，研究领域为人类行为理解与机器人技能学习。