5 分钟跑通 UniMate一个模型让任意 3D 骨架动起来【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 是一个文本驱动的 3D 骨骼动画生成模型输入一个绑好骨骼的 3D 资产人形、四足机器人、鸟类甚至一朵花加一句文字输出 60 帧的动作序列。你不需要为每种骨架拓扑单独训练模型测试时也不需要再跑优化这省掉了一套骨架训一个模型、换个拓扑就重训最费工的一步。本文带你认清它能做什么、差在哪并给出在自己机器上跑起来的最短路径。先看效果一句话驱动整组骨架写 An object walks forward对应骨架就往前走对花朵骨架写 close its petals and bend its stem它会真的收拢花瓣、弯下茎。上图里机器人、人形、动物、植物的全部动作都出自同一套权重区别只在文字提示。项目由 Princeton、UC Berkeley、MIT、NTU 合作完成已被 SIGGRAPH Asia 2026 接收。它和旧做法差在哪以前人形、四足、机械臂各训一个动作模型现在一套权重同时驱动双腿、四足、鸟类、海洋生物、昆虫、蛇形与铰接刚体等拓扑以前新资产要先对齐关节语义或做逐资产优化现在把绑好骨骼的资产直接交给采样入口实时出动作以前关键帧补间、局部动作改稿、长动作拼接各靠专门工具现在同一套权重覆盖这三类任务各有独立采样脚本技术底座13,769 条片段与流匹配训练能力来自自建数据集UniML3D与 flow matching 训练范式网络预测噪声与真实动作之间线性插值的速度另加测地旋转损失与速度平滑损失约束输出。完整数据流水线下载 → 导出 → 渲染 → VLM 字幕 → 关节标注 → 特征提取 → 动画驱动见 data_process/README.md。项内容训练数据UniML3D13,769条文本配对动作片段覆盖7,430个骨架来源为 Mixamo、Truebones ZOO、Objaverse-XL模型变体图注意力空间/时间两路带图距离与边类型偏置与全注意力文本条件走 adaLN 或 cross-attention两轴可独立组合训练范式flow matching masked L2 测地旋转损失 速度平滑损失推荐配方训练 150k 步文本编码器T5google/flan-t5-base运行环境Python 3.10 CUDA 12.4 单 conda 环境数据流水线另需 Blenderbpy 4.0.0均衡采样、拓扑增强、EMA 等训练细节以仓库 README 的 Training 章节为准。最短路径跑起来三步命令先建环境全部依赖在requirements.txt中git clone https://gitcode.com/GitHub_Trending/un/UniMate conda create -n unimate python3.10 -y pip install setuptools81 pip install -r requirements.txt --no-build-isolation再拉官方 checkpoint配置 归一化统计 150k 步权重hf download Linzhan/UniMate --repo-type model --local-dir outputs \ --include unimate_uniml3d_f60_v3/*.json --include unimate_uniml3d_f60_v3/*.npy \ --include unimate_uniml3d_f60_v3/checkpoints/checkpoint_step_150000.pt最后跑采样。仓库自带 Unitree Go2 四足、鹰、鲨鱼三个样例资产assets/examples/条件文件已备好不用先下完整数据集python -m unimate.inference.sample --exp_dir outputs/unimate_uniml3d_f60_v3 \ --asset assets/examples/unitree_go2 --prompt An object trots forward.动作生成后bash scripts/run_animate_motion.sh outputs/samples/custom会把它贴回资产网格并导出带动画的 GLB/FBX。提示词被忽略时可调高--cfg_scale默认 3README 建议 5~7。其他方式一览场景方式训练accelerate launch -m unimate.training.train --config configs/uniml3d_60frames_graph_adaln.jsonconfigs/内 8 份配置 4 种数据组合 × 2 种模型变体快速采样scripts/run_sample_motion_text.sh自动挑选空闲显存最多的 GPU自定义资产用 data_process/rig_preprocess/ 把自己的 GLB/glTF/FX 处理成--asset可接收的目录LLM 给关节打标签并留有人工审核步骤数据集骨架下载 UniML3D约 88 GB后以dataset:object_type引用骨架用例示例见assets/examples/examples.json进阶玩法同一套权重的另外三种用法三者共用替换式采样被约束的部分在每一步去噪时都固定在已知信号上flow ODE 只精修其余部分所以约束是精确成立而不是靠损失函数鼓励。补间只 K 首尾两帧固定一段动作的首尾帧模型自动补齐中间的平滑过渡——相当于把动画师画中间帧的活自动化。--keep_frames 0,-1一次锁定两端对应脚本为scripts/run_sample_motion_inbetween.sh。动作编辑留住躯干改动其余想让机器人换动作但头部姿态不变用--keep_joints Neck,Head把这两个关节锁在原轨迹上换一句提示词如 An object walks forward.模型只重新生成其余部分。动作扩展三条提示词接成长动画把用例值写成提示词列表站起来 → 向前走 → 原地转身模型逐段生成后段开头几帧固定在上一段尾部--expand_overlap控制接缝共享帧数最终拼出一条连贯长动作。代码怎么组织代码按数据 → 训练 → 推理分层主要目录职责如下目录职责unimate/models/去噪网络图注意力 / 全注意力变体与流匹配核心unimate/dataset/数据加载、拓扑增强与条件构造unimate/training/训练循环、EMA 与 TensorBoard 日志入口train.pyunimate/inference/采样入口sample.py与补间 / 编辑 / 扩展三个任务data_process/UniML3D 数据流水线Blender 导出、渲染、VLM 字幕、关节标注、特征提取configs/8 份训练配置4 种数据组合 × 2 种模型变体assets/examples/三个开箱即用的样例资产Go2、鹰、鲨鱼数据侧体量最大流水线从下载到动画驱动共 7 个阶段各阶段的输入输出与依赖关系都写在data_process/README.md里。边界与人群作者在 README 中明确说这是任意骨架文本生成动画的早期阶段不少骨架与动作仍会失败。另外注意Truebones ZOO 动物动作为商业授权、不可再分发使用需自行购买原数据包代码是 MIT 协议但官方 checkpoint 权重为CC BY-NC 4.0仅限非商业数据需遵守 Mixamo / Objaverse-XL / Truebones 各自源许可。适合的人 3D 内容创作者为已绑定的角色与资产批量产出动作减少逐帧关键帧 游戏与机器人方向四足机器人、机械臂等非人形骨架的动作生成 研究者统一骨架动画 流匹配范式的完整开源参考实现改configs/即可切换变体如果你踩到失败案例欢迎提 issue——作者明确表示这些案例是下一版改进的主要输入跑通之后也别忘了点个 star。【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