TL;DR

南洋理工大学等机构的研究者提出了 MoTok，这是一个创新的“三阶段”动作生成框架（感知-规划-控制）。它通过将动作的“语义抽象”与“运动重建”解耦，允许模型用极少（仅为前人 1/6）的 Token 描述运动，同时借助 Diffusion 解码器实现了惊人的 0.08 cm 轨迹对齐精度。

背景：当“语义”遇上“运动学约束”

在人体动作生成（Motion Generation）领域，存在两座大山。一座是离散 Token 派，擅长像写文章一样生成动作，但在面对高频率的运动细节（如脚踝的微颤、精确的抓取路径）时，需要海量的 Token 才能还原，这给下游的 Transformer 带去了巨大的计算压力。另一座是连续 Diffusion 派，画质感人（动作自然），但难以直接插入复杂的逻辑约束。

更难的是，当你要求一个模型“一边跳舞一边手部经过这三个点”时，模型往往会为了凑这三个点，把舞跳得像断了线的木偶（自然度 FID 暴跌）。

核心直觉：上帝的归上帝，凯撒的归凯撒

MoTok 的作者提出了一项深刻的技术洞察：离散 Token 应该只负责“讲故事”（语义结构），而“怎么画得真实”（运动物理细节）应该交给 Diffusion。

1. MoTok 分词器：极简 Token，无限细节

与其让 VQ-VAE 去死磕每一个像素级别的位移，MoTok 训练了一个由单层 Codebook 组成的 Encoder。它产生的 Token 序列非常短，但这串 Token 并不直接变成动作，而是变成了 Diffusion 解码器的“向导信号”。

图 (a) 展示了从感知到控制的全流程；图 (b) 彰显了 MoTok 极具竞争力的压缩效率。

2. 三阶段生成的艺术

• Perception (感知)：将文本（全局）和轨迹（局部运动学）分开编码。
• Planning (规划)：在离散空间预测 Token。此时，轨迹只是一个“大概方向”的引导。
• Control (控制)：这是 MoTok 的撒手锏。在 Diffusion 解码的去噪过程中，通过反向传播梯度引导（Guidance），强制让生成的关节坐标紧贴目标轨迹。

实验结果：越被约束，越发优美

这是一个非常反直觉的结果。在常规模型中，引入轨迹约束会破坏生成分布，导致 FID（衡量动作质量）变差；但在 MoTok 中，约束越多，FID 反而越好（从单点约束的 0.025 优化至三点约束的 0.014）。

表 1 显示，MoTok 在轨迹误差（Avg. Err）和动作真实度（FID）上实现了对 MaskControl 等基线的全方位碾压。

深度洞察：为什么这种解耦是未来的必然？

传统的 VQ-VAE Token 承载了太多负担：它既要代表“在跑步”，又要代表“脚抬高了 15.2 厘米”。这种信息纠缠让模型在推理时极易顾此失彼。

MoTok 的成功在于它建立了一个条件分层机制：

• 离散 Token 层：捕捉低频的、鲁棒的语义结构。
• Diffusion 细化层：捕捉高频的、易碎的运动细节。

通过消融实验可以发现，如果只在 Planning 阶段加约束，轨迹对不准；如果只在 Control 阶段加约束，动作会变得诡异。只有两手都要抓，才能实现“形神兼备”。

总结与局限

MoTok 为长上下文的动作建模开辟了道路——由于它极高的压缩率，未来的 Generator 可以处理更长时间跨度的动作序列。

局限性：尽管精度惊人，但 Diffusion 解码器的推理速度（2.63s/seq）相对于纯 AR 模型（毫秒级）仍显沉重。虽然作者使用了 Fast27 采样器进行加速，但在需要超低延迟的实时动作反馈（如 VR 交互）中，仍有优化空间。

关键词：Motion Tokenization, Diffusion Models, HumanML3D, 轨迹控制, 具身智能。