UniMate一句话让任意 3D 骨骼动起来文本驱动骨骼动画完全指南【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMateUniMate 是 SIGGRAPH Asia 2026 接收的统一 3D 骨骼动画生成模型。它的用法很直接一个绑好骨骼的 3D 资产人形、四足机器人、鸟类甚至一朵花加上一句文字就能实时产出一段完整的自然动作不用为每个骨架单独训练也不做测试时优化。 先看效果它能驱动什么样的骨架下图里的所有动作都出自同一个模型人形角色、四足机器人、动物、花朵……骨架结构各不相同提示词换一句动作就换一套。它是什么为什么一个模型能驱动所有骨架思路是放弃一类骨架配一个模型。UniMate 只训练一个去噪网络让它同时理解双腿、四足、鸟类、海洋生物、昆虫、铰接刚体等拓扑的运动数据推理时按流匹配flow matching扩散模型靠逐步去噪生成图这里同理的方式逐帧去噪文本提示作为引导条件直接输出一段 60 帧的动作序列。能做什么文本生成、编辑、补间与扩展四大能力下面四项能力全部来自同一个模型无需任何额外训练。其中编辑、补间、扩展都靠同一套替换式采样见 unimate/inference/已知帧在每一步去噪时被严格固定网络只负责补出剩下的部分。文本生成动作一句提示词骨架就动起来资产加一句 An object flaps its wings. 之类的提示词动作实时生成自己的 GLB / FBX 资产可以先跑一遍 data_process/rig_preprocess/ 再使用。下图中这只 51 个关节的鹰就是仓库自带的示例资产。文本引导动作编辑只改你想改的那部分关节用--keep_joints把颈部、头部这类关节钉在原轨迹上剩余关节按新提示词重新生成。下面这条示例里机器人的转头被改成了向前走被锁定的关节逐帧保持原样。动作补间关键帧之间的过渡自动补全只给首尾两帧关键帧--keep_frames 0,-1中间的过渡全部由模型生成——这正是动画师口中的中间帧工作现在自动化了。动作扩展多条提示词拼成一条长动画测试用例里把值写成列表例如站起来、向前走、原地转身。模型逐段生成每段开头与上一段尾部对齐--expand_overlap控制重叠帧数最后拼成连贯的长序列。快速上手三步从克隆到生成第一个动作装环境很干净一个 conda 环境通吃数据处理、训练和推理git clone https://gitcode.com/GitHub_Trending/un/UniMate conda create -n unimate python3.10 -y conda activate unimate pip install setuptools81 pip install -r requirements.txt --no-build-isolation第二步把官方 checkpointunimate_uniml3d_f60_v3下到outputs/hf download命令见 README 的 Inference 小节。若想驱动数据集里的骨架需再下载 UniML3D 到dataset/约 88 GB只用自己资产则可跳过。然后跑python -m unimate.inference.sample --exp_dir outputs/unimate_uniml3d_f60_v3 \ --test_cases_json assets/examples/examples.json --num_repetitions 3 --output_dir outputs/samples/examples产出的.npy动作可用scripts/run_animate_motion.sh驱动回原网格导出带动画的 GLB / FBX。想自己训练的话再执行accelerate launch -m unimate.training.train --config configs/uniml3d_60frames_graph_adaln.jsonscripts/下的封装脚本会自动挑显存最空闲的 GPU新手直接跑 shell 脚本即可。幕后13,769 条动作从哪来模型的底气来自 UniML3D 数据集13,769 条带文本配对的运动片段覆盖 7,430 个骨架原料取自 Mixamo人形、Truebones ZOO动物和 Objaverse-XL杂类资产全部统一到同一规范姿态下。训练用流匹配做目标每个片段 60 帧configs/ 里 8 份 JSON 对应 4 种数据组合 × 2 种注意力变体改字段即可切换实验数据流水线的细节见 data_process/README.md。代码导读模型各部分放在哪目录干什么unimate/models/去噪骨干图注意力 / 全注意力两种变体与扩散、流匹配基础设施unimate/dataset/数据加载、在线增强与条件构造unimate/training/训练循环、EMA 权重与日志入口是train.pyunimate/inference/采样入口sample.py编辑 / 补间 / 扩展都实现在这里data_process/完整数据管线Blender 导出渲染、VLM 打字幕、关节标注configs/8 份训练配置 JSON适合谁用局限又是什么内容制作给绑好骨骼的角色或资产批量产出动画素材省去逐帧 K 帧游戏与机器人团队四足机器人、动物、机械臂等非人形骨架直接可用算法研究者统一骨架动画 流匹配训练的完整参考实现作者也坦率说明这仍是任意骨架文本生成动作的早期探索部分骨架与动作会失败。如果你遇到不work 的 case欢迎提 issue——这些失败案例正是推动模型走向下一步的养料。代码采用 MIT 许可checkpoint 为 CC BY-NC 4.0三个数据集各自遵循源许可。【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
UniMate一句话让任意 3D 骨骼动起来文本驱动骨骼动画完全指南【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMateUniMate 是 SIGGRAPH Asia 2026 接收的统一 3D 骨骼动画生成模型。它的用法很直接一个绑好骨骼的 3D 资产人形、四足机器人、鸟类甚至一朵花加上一句文字就能实时产出一段完整的自然动作不用为每个骨架单独训练也不做测试时优化。 先看效果它能驱动什么样的骨架下图里的所有动作都出自同一个模型人形角色、四足机器人、动物、花朵……骨架结构各不相同提示词换一句动作就换一套。它是什么为什么一个模型能驱动所有骨架思路是放弃一类骨架配一个模型。UniMate 只训练一个去噪网络让它同时理解双腿、四足、鸟类、海洋生物、昆虫、铰接刚体等拓扑的运动数据推理时按流匹配flow matching扩散模型靠逐步去噪生成图这里同理的方式逐帧去噪文本提示作为引导条件直接输出一段 60 帧的动作序列。能做什么文本生成、编辑、补间与扩展四大能力下面四项能力全部来自同一个模型无需任何额外训练。其中编辑、补间、扩展都靠同一套替换式采样见 unimate/inference/已知帧在每一步去噪时被严格固定网络只负责补出剩下的部分。文本生成动作一句提示词骨架就动起来资产加一句 An object flaps its wings. 之类的提示词动作实时生成自己的 GLB / FBX 资产可以先跑一遍 data_process/rig_preprocess/ 再使用。下图中这只 51 个关节的鹰就是仓库自带的示例资产。文本引导动作编辑只改你想改的那部分关节用--keep_joints把颈部、头部这类关节钉在原轨迹上剩余关节按新提示词重新生成。下面这条示例里机器人的转头被改成了向前走被锁定的关节逐帧保持原样。动作补间关键帧之间的过渡自动补全只给首尾两帧关键帧--keep_frames 0,-1中间的过渡全部由模型生成——这正是动画师口中的中间帧工作现在自动化了。动作扩展多条提示词拼成一条长动画测试用例里把值写成列表例如站起来、向前走、原地转身。模型逐段生成每段开头与上一段尾部对齐--expand_overlap控制重叠帧数最后拼成连贯的长序列。快速上手三步从克隆到生成第一个动作装环境很干净一个 conda 环境通吃数据处理、训练和推理git clone https://gitcode.com/GitHub_Trending/un/UniMate conda create -n unimate python3.10 -y conda activate unimate pip install setuptools81 pip install -r requirements.txt --no-build-isolation第二步把官方 checkpointunimate_uniml3d_f60_v3下到outputs/hf download命令见 README 的 Inference 小节。若想驱动数据集里的骨架需再下载 UniML3D 到dataset/约 88 GB只用自己资产则可跳过。然后跑python -m unimate.inference.sample --exp_dir outputs/unimate_uniml3d_f60_v3 \ --test_cases_json assets/examples/examples.json --num_repetitions 3 --output_dir outputs/samples/examples产出的.npy动作可用scripts/run_animate_motion.sh驱动回原网格导出带动画的 GLB / FBX。想自己训练的话再执行accelerate launch -m unimate.training.train --config configs/uniml3d_60frames_graph_adaln.jsonscripts/下的封装脚本会自动挑显存最空闲的 GPU新手直接跑 shell 脚本即可。幕后13,769 条动作从哪来模型的底气来自 UniML3D 数据集13,769 条带文本配对的运动片段覆盖 7,430 个骨架原料取自 Mixamo人形、Truebones ZOO动物和 Objaverse-XL杂类资产全部统一到同一规范姿态下。训练用流匹配做目标每个片段 60 帧configs/ 里 8 份 JSON 对应 4 种数据组合 × 2 种注意力变体改字段即可切换实验数据流水线的细节见 data_process/README.md。代码导读模型各部分放在哪目录干什么unimate/models/去噪骨干图注意力 / 全注意力两种变体与扩散、流匹配基础设施unimate/dataset/数据加载、在线增强与条件构造unimate/training/训练循环、EMA 权重与日志入口是train.pyunimate/inference/采样入口sample.py编辑 / 补间 / 扩展都实现在这里data_process/完整数据管线Blender 导出渲染、VLM 打字幕、关节标注configs/8 份训练配置 JSON适合谁用局限又是什么内容制作给绑好骨骼的角色或资产批量产出动画素材省去逐帧 K 帧游戏与机器人团队四足机器人、动物、机械臂等非人形骨架直接可用算法研究者统一骨架动画 流匹配训练的完整参考实现作者也坦率说明这仍是任意骨架文本生成动作的早期探索部分骨架与动作会失败。如果你遇到不work 的 case欢迎提 issue——这些失败案例正是推动模型走向下一步的养料。代码采用 MIT 许可checkpoint 为 CC BY-NC 4.0三个数据集各自遵循源许可。【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
