何が起きたか
Open-UniMoは、動作生成と動作理解を統合する大規模Motion-Language Modelとして、2026-09-13にarxiv.orgで公表された。論文は、約150Kのテキストトークンを持つQwenに64Kの動作トークンを拡張し、百万規模のopen-world motion-language dataで学習したとしている。あわせて、text-to-motion、motion-to-text、双方向の整合性を評価するOpen-MoBenchを提案した。
詳細
学習は2段階構成で、1段階目のsupervised fine-tuningでCoT-guidedな双方向のmotion-language mappingを整え、2段階目のGroup Relative Policy Optimization（GRPO）で意味整合を高めつつ、autoregressiveなmotion-token生成で生じる累積誤差を抑える設計であるとしている。 論文はまた、motion-consistent Chain-of-Thought reasoningを中間表現として導入し、言語の意味と動作ダイナミクスをつなぐ考え方を示した。ablation studiesでは、motion-to-text理解は主に動作トークン語彙の大きさに制約されるのではなく、学習可能なtext-to-motion生成経路と結合することで、より強いcross-modal representationsが得られると報告している。
Key Facts
| Open-UniMoは、動作生成と動作理解を統合するLarge Motion-Language Modelである。 | [1] |
| Qwenの約150Kのtext tokensに64Kのmotion tokensを追加し、共通のtoken spaceを作る設計である。 | [1] |
| 学習データは million-scale open-world motion-language data である。 | [1] |
| 学習は supervised fine-tuning と Group Relative Policy Optimization（GRPO）の2段階で行うとしている。 | [1] |
| 評価用にOpen-MoBenchを提案し、text-to-motion、motion-to-text、双方向の整合性を測るとしている。 | [1] |
本紙の見方
今回の論文で新しいのは、動作と言語を単なる補助モダリティとして扱うのではなく、Qwenの約150Kのテキスト語彙に64Kの動作トークンを足して共通空間を作った点である。総量は約214Kのトークン規模になり、設計の主眼は言語モデルの上に動作を載せることではなく、両者の対等化に置かれていると読める。一方で、2段階学習やGRPOの採用は、既存の大規模言語モデル系の学習枠組みを動作領域に持ち込む延長線上でもある。 本紙の過去報道はないため、連続性の比較はできない。ただし、論文内で示された「生成が理解を助ける」という ablation の結論は、動作言語モデルを理解専用・生成専用に分ける発想とは異なる。ここでは、text-to-motionの生成経路そのものがmotion-to-textの表現学習に寄与する構造が焦点であり、単純な語彙拡張よりも、双方向変換をどう同時に最適化するかが主題になっている。 業界構造への含意としては、評価指標の置き方が重要になる。通常指標に加えてOpen-MoBenchを設けたことは、動作の見た目や局所精度だけではなく、記述と動作の整合、さらに双方向一致まで測る必要があることを示す。これは、データ収集の段階で「動作→テキスト」「テキスト→動作」の対になる注釈をどう確保するか、また学習後にどの方向の誤差が残るかを分解して見る必要があることを意味する。 未確定の論点は、百万規模データの具体的な内訳、どの種類の動作が中心か、Open-MoBenchの評価データの構成、そしてGRPO適用後にどの失敗例が残るかである。論文は性能優位を主張するが、実運用で必要になる長尺動作、複雑な連続動作、未知のopen-world行動への一般化がどこまで安定するかは、本文だけではなお確認が要る。
なぜ重要か
Open-UniMoは、動作を文章の付属情報ではなく、言語と同じ土俵のトークン体系で扱うと示した点に意味がある。論文が約150Kのテキスト語彙と64Kの動作トークン、さらにOpen-MoBenchを提示したことで、動作AIの評価軸が生成精度だけでなく双方向の整合に広がる。