改一个舞蹈动作，以前等于重做一遍：Möbius 把去噪搬进语言模型，一个模型包办生成、补帧和改动作

一句话说清：以前让 AI 改一个舞蹈动作，等于让它重做一遍；香港科技大学、腾讯游戏 Motus 和 MIT 的团队 11 月 3 日挂出的论文 Möbius，把"改动作"变成了"改一句话"——因为它把扩散去噪整个搬进了语言模型内部，动作从头到尾没离开过文字所在的那套表示空间。

这不是又一个"一张照片跳科目三"的工具。它是一篇基础模型论文，但它解决的是编舞这件事里最耗人的那一段：改。

3分钟看懂

• 谁做的：香港科技大学 + 腾讯游戏 Motus + MIT，共 10 位作者
• 什么时候：2026 年 11 月 3 日挂上 arXiv（2611.05279）
• 做了什么：把一个语言模型（Qwen3）改造成"既能看懂动作、又能生成动作"的统一模型，关键是把扩散去噪直接搬进语言模型内部，不再外挂一个独立的生成模块
• 能干什么：一句话生成动作、给半段动作补全、按指令只改某个部位、把动作翻译成文字描述，四件事同一个模型
• 成绩：HumanML3D 上 0.6B 版 R@1 0.8209、FID 6.13（同组前一名 MotionGPT3 是 0.6709 / 20.99）
• 现在能用吗：不能。代码标注"内部审核中"，没有权重、没有 license

先说清楚这是什么

论文标题是《Möbius: A Unified Motion-Language Model Bridging Understanding and Generation》，arXiv 编号 2611.05279，2026 年 11 月 3 日 17:59 UTC 提交第一版。作者共 10 人，第一作者 Jiazhi Shu、共同一作 Chengfeng Zhao，项目负责人 Jinyi Wang，通讯作者 Zijiao Zeng 和 Yuan Liu。单位三个：香港科技大学、腾讯游戏旗下的 Motus、MIT。

它要做的是一件"统一"的事：让一个模型既看得懂动作（给一段动作，说出它在干什么），又能生成动作（给一句话，做出对应动作），还能补动作（给前后两段，补中间）、改动作（给一段动作加一句话指令，只改该改的地方）。

这四件事以前基本是四个模型。业界的常规做法是"语言模型管理解、另一个扩散模型管生成"，中间靠一层学出来的动作潜变量对接。Möbius 的做法是把这套接口拆掉。

它到底换掉了什么

理解这一步不难想象：把动作喂进一个语言模型，让它用文字描述。难的是生成——扩散模型那一套"从噪声一步步去噪"的流程，通常跑在独立的模块里，语言模型只能给它一个条件向量，之后就说不上话了。

Möbius 干的事是：让带噪的动作和干净的动作、文字一起进入同一套注意力。三者共享注意力，但走不同的参数通道——干净的走理解那条，带噪的走生成那条，中间靠角色特定的投影层分流。论文里把这套路由叫 MoT。这样在去噪的每一步，带噪动作都能同时"看见"文字语义和已有的干净动作，而不是只看见一个被压扁的条件向量。

还有一个更硬的选择：它不做动作分词。多数语言模型路线的动作模型会先把连续动作离散成一串 token（像文字一样），或者先训一个动作 VAE 把动作压进潜空间。Möbius 两个都不用，直接在帧级原始动作特征上跑——用的是 HY201 表示，201 维，30 FPS，包含骨盆位移、根节点朝向（连续 6D）、全身局部旋转和相对关节位置。每一帧占一个 Transformer 位置。

代价是序列变长、算力变贵；好处是"去噪"和"理解"真正待在同一个空间里，改动作的时候不用来回编解码，也就少了一层信息损失。

训练也不是一把梭。团队用的是两阶段课程：先用 Qwen3 的权重初始化，配上动作投影层，只训"动作→文字"的描述任务，让模型先把动作语义学进语言空间；这一步稳了，再引入生成目标做 20 万步微调。论文里解释得很直白：一上来就联合训练，随机初始化的生成通路会通过共享注意力把梯度灌进理解参数，把预训练语言能力搞坏。

成绩单：哪些数字能信，哪些要留神

在 HumanML3D 这个动作生成的标准测试集上（用 MotionStreamer 的 MS-272 评测器，4,042 条测试样本）：

• Möbius 0.6B（只训 HumanML3D）：R@1 0.8209、R@2 0.9397、R@3 0.9670、FID 6.13
• 同组最强对手 MotionGPT3：R@1 0.6709、FID 20.99
• 大模型组里，Möbius 1.7B：R@1 0.7968、FID 10.66；对比 HY-Motion 1B 的 0.7899 / 13.52、Go to Zero 3B 的 0.7401 / 23.75

R@1 是"给一句话，生成的动作里有多少比例能被判别器认出是这句话描述的"，越高越好；FID 是生成动作和真实动作分布的差距，越低越好。0.6B 版 FID 6.13 对 20.99，是这轮对比里差距最大的一项。

但有一个数字要小心：1.7B 版在同一张表上的 R@1（0.7968）比 0.6B 版（0.8209）还低。这不是"大模型更差"，而是两版训练数据不同——0.6B 只吃 HumanML3D，1.7B 额外吃了 1700 小时内部动作语料，属于另一个对比组（表里分组标注了 "Trained on large-scale dataset"）。跨组比数字没有意义，这也是论文自己划的线。

动作描述任务上，BLEU-4 从 MotionGPT3 的 0.1605 提到 0.2032（0.6B）和 0.2105（1.7B），BERT 分从 0.3425 提到 0.4541 / 0.4657。绝对水平离"人能读顺"还有距离，但方向是明确的。

速度方面，论文附录给了单卡实测：一段 5 秒（150 帧）的动作，用 50 步采样加 CFG 3.0，0.6B 版单条耗时约 4.99 秒、峰值显存约 2.0 GB；1.7B 版约 5.07 秒、5.9 GB。反过来"动作→文字"只要 0.32 秒。也就是说，生成一段 5 秒动作的时间大约等于它本身的长度——离实时编舞还差得远，但离"改一版看看效果"已经很近了。

怎么用：如果它放出来，工作流会是什么样

代码还没放，所以下面说的是"按论文里的能力，这条链路会长什么样"，不是操作手册。

1. 把角色骨架对上。模型的输出是 201 维的关节级动作特征（骨盆位移、根节点朝向、全身局部旋转、相对关节位置），要落到你自己的角色身上，得先做一次重定向。
2. 定"不变量"。改动作时最怕它顺手把别的地方也改了。指令要写清楚改哪里、不动哪里，比如"只改第三拍的手臂高度，脚步保持"。
3. 一段一段改，别整支改。论文验证的尺度是 5 秒 150 帧，先按这个粒度切，改完再接。
4. 改完让模型自己描述一遍。Möbius 的理解和生成共用一个模型，把改完的动作喂回去让它说"这段在干什么"，是成本最低的自动检查。
5. 多轮，而不是一次到位。论文演示的流程就是生成→补全→编辑→描述循环，别指望一句话出终稿。

对做舞蹈的人，这意味着什么

把它翻译成编舞现场的语言：

现在的流程是，你想把第三拍那个转身改成半圈，得回到软件里找到那几帧、手动调关键帧、再检查穿模和重心，一个动作改半小时。指令式动作编辑要做的事，是你打一句"第三拍转身改成半圈，手不要抬那么高"，模型只改该改的段落，其余部分原样保留。

论文在 MotionFix 这套"指令改动作"的基准上做了评测，也演示了多轮：先生成一段，再补全，再改，再让模型描述改完的结果——四件事在同一个模型里循环，不用换工具。

对编舞师真正有价值的地方不是"AI 帮你排舞"，而是试错的成本。一支舞的编排过程本来就是在十几个版本里挑一个，改一版的成本越低，你敢试的方向就越多。

冷静的一面：现在还不能用

必须说清楚三件事，不然容易空欢喜：

• 代码没放出来。 GitHub 仓库 JiazhiShu/mobius-code 建于 11 月 3 日 15:47 UTC，README 明写 "Code availability is currently under internal review"，没有 Release、没有权重、没有 license。项目页只有预渲染的对比视频和交互查看器，点不开模型。
• 不是在舞蹈数据上训的。 评测基准是 HumanML3D 和 MotionFix，都是通用的"文本—动作"数据集，动作片段基本是 5 秒级，论文没有舞蹈数据集上的结果。它能不能撑住一整支 3 分钟的舞、能不能对上音乐节拍，这篇论文没有回答——音乐驱动的舞蹈生成是另一条线（站内 7 月写过的 Wan-Dancer 就是走那条路）。
• 5 秒是硬边界。 论文所有评测都裁到 150 帧。时序补全支持预测、回推、中间帧、关键帧插值四种模式，但都是在短片段尺度上验证的。长序列会漂移，这是所有自回归/扩散动作模型的共同难题，论文没有给出长序列结果。

适用场景

现在值得关注的人

• 做动画、游戏、虚拟人的团队：想给角色做"一句话改动作"的工具链，这是目前公开文献里路线最干净的一种
• 研究动作生成的人：它把"去噪进语言模型"这条路的可行性和代价都摊开了，包括两阶段训练这种工程细节
• 做编舞工具的产品团队：可以照着这个交互范式设计——生成、补全、编辑、描述在同一个会话里多轮进行

不适用场景

• 想今天就下载权重跑起来：没有权重，只能等
• 想让它跟着一首歌编一整支舞：不是这个模型的任务，也不在评测范围
• 想要电影级手指、面部细节：它的动作表示是全身关节级的，没有手指
• 想直接商用：没有 license，法律状态未定

注意事项（避坑）

• 别把"统一"理解成"什么都能干"。理解的准确率和生成的保真度是两个指标，论文里理解侧的 BERT 分 0.47（满分 1.0），还远谈不上可靠。
• 别跨组比数字。0.6B 和 1.7B 的表在同一张里，但训练数据不同，直接比 R@1 会得出"小模型更强"的错误结论。
• "实时"要看条件。5 秒动作 5 秒生成，是单卡 BF16 + EMA 权重、50 步采样的结果，不含渲染、不含重定向到具体角色骨架。
• 注意它和站内 9 月那篇 Open-UniMo 的区别。两者都做"理解 + 生成统一"，但 Open-UniMo 走的是另一套表示与接口；Möbius 的关键差异是把去噪搬进共享空间、并坚持不做动作分词。不是同一件事的续集。

成本与时间

代码和权重都还没有时间表，论文只说"内部审核中"。按同类学术项目的节奏，从论文挂出到放权重通常是几周到几个月，也可能只放推理 demo。

如果之后真放出来，按论文给的数据估：0.6B 版单卡 2 GB 显存就能跑 5 秒动作生成，一张消费级显卡够用；1.7B 版约 6 GB。真正的成本不在算力，在数据和重定向——你要把自己的角色骨架对上去，还要有足够多的动作样本做微调，才能生成你想要的风格。

行动建议

1. 先看项目页的对比视频（jiazhishu.github.io/mobius），重点看"编辑"那一栏：给定一段动作加一句指令，看它改的是不是你以为的那一处。这是判断这类模型有没有用的最快方式。
2. 盯住那个 GitHub 仓库。放权重、放 license 都会先在 README 里改，比等媒体转述快。
3. 如果你在做编舞工具，先把交互设计出来：多轮"生成→补全→改→描述"的会话式流程，比单次生成更接近真实创作。
4. 别急着改工作流。现在能做的只有评估和设计，不能落地。

参考来源

• 论文（一手，2026-11-03 17:59 UTC 提交）：https://arxiv.org/abs/2611.05279
• 论文 HTML 全文：https://arxiv.org/html/2611.05279v1
• 项目页（含对比视频与完整 benchmark 表）：https://jiazhishu.github.io/mobius/
• 代码仓库（README 标注内部审核中）：https://github.com/JiazhiShu/mobius-code
• 二手转述（仅作交叉参考，核心事实以上述一手来源为准）：https://www.arxivdaily.com/papers/2611.05279