**MotionVLA：频率感知双流解耦实现更真实的人形动作生成**

_MotionVLA: Vision-Language-Action Model for Humanoid Motion_

> 从场景图像和文本生成逼真的人形动作面临低频姿态语义和高频物理动态的挑战。MotionVLA 提出双流频率分词器（DSFT）与基于 Qwen3.5 的模型，将动作分解为基础流和物理流，独立压缩并统一序列预测。实验在 HumanML3D 上多样性差距降低超 50%，在 MBench 上动作-条件一致性提升 3.8%，验证了频率感知双流解耦方法的有效性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-17 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.15142)