你有没有想过，未来的游戏角色、动画人物甚至虚拟现实（VR）中的“自己”，能拥有多么逼真的动作？人类动作建模是计算机视觉和图形学的热门领域，它让虚拟人物的每一个步伐、每一个手势都栩栩如生，广泛应用于游戏开发、电影制作和 3D 内容创作。然而，传统方法有个大问题：动作生成（比如根据文字或音乐创造动作）和动作估计（从视频中重建动作）是两套独立的系统，互不关联。这不仅浪费资源，还限制了技术的可能性。NVIDIA 的研究团队带来了一款“全能选手”——GENMO（GENeralist Model for Human MOtion）。它将动作生成和估计合二为一，用一个模型搞定所有任务，还能处理视频、文本、音乐等多种输入，堪称动作建模界的“瑞士军刀”。GENMO 是什么？简单来说，GENMO 是一个“多才多艺”的人类动作模型。它能干两件事：动作估计：从视频里分析出人的动作轨迹，比如你在街头拍了个跑步视频，GENMO 能精确复原每个动作。动作生成：根据文字描述（“一个人跳舞”）、音乐节奏或关键帧，生成多样化且自然的动作。GENMO 的厉害之处在于，它把这两件事统一在一个框架里，还能处理各种输入信号，比如单目视频、2D 关键点、文本、音乐甚至 3D 关键帧。不管你给它什么，它都能“接招”，生成或估计出流畅的动作。