腾讯重磅开源HY-Motion 1.0！十亿参数量级文生3D动作模型

腾讯提出 HY-Motion 1.0，这是一套领先的大规模文本到动作生成模型，能够根据文字描述直接生成高质量的3D 人体动作。该模型首次在动作生成领域将基于Diffusion Transformer（DiT）的架构扩展到十亿参数规模，在理解指令和还原动作意图方面明显优于现有开源方案。（链接在文章底部，可在线体验）

为实现这一效果，HY-Motion 1.0 采用了完整的分阶段训练方案：先在3000+ 小时的大规模动作数据上学习通用能力，再用400 小时高质量数据精细优化，并结合人类反馈的强化学习进一步提升表现。同时，配套的数据清洗和标注流程，使模型能够覆盖6 大类、200 多种动作，在动作真实度和多样性上均达到行业领先水平。

十亿参数量级 DiT 动作模型：将基于流匹配的 DiT 架构成功扩展至 1B+ 参数量级，通过扩大模型容量与数据规模，显著提升了动作生成的质量上限与泛化能力。

系统化的全阶段训练体系：构建了从预训练、微调到强化学习对齐的完整训练闭环。特别是 RLHF 机制的引入，通过引入人类反馈与显式奖励模型（针对语义匹配度与物理约束），实现了模型在文本指令遵循与动作物理质量上的双重优化。

严谨的数据清洗与广覆盖度：依托自研的精细化数据处理管线，通过自动化处理与人工矫正相结合的方式，构建了包含 6 大类、覆盖超 200 种动作类别的高质量数据集，奠定了模型能力的基础。

优异的动作质量与指令响应：得益于大规模训练与对齐策略，模型生成的动作流畅度表现出色，同时在语义对齐方面取得了显著进步，能够更准确地理解并响应用户的文本描述。

开源共建行业生态：将 HY-Motion 1.0 模型及配套基准全面开源，旨在降低高质量动作生成的门槛，与社区共同推动文生动作技术的进一步发展。

尽管 HY-Motion 1.0 在文本到动作生成方面取得了显著进展，但仍存在一定局限：在面对细节丰富、结构复杂的指令时，模型的理解与表达能力仍受限，这主要源于高质量动作文本标注本身难度较高，自动标注与人工修订都面临挑战；此外，由于现有数据主要关注人体自身运动，缺乏对物体几何和约束的建模，模型在生成涉及工具或外部物体的精准人–物交互动作时仍有不足。

https://arxiv.org/pdf/2512.23464

欢迎交流～，带你学习AI，了解AI