Andrew Carr发布《人类动作生成的计算最优扩展规律》研究论文，称团队训练了数百个不同规模的模型，发现其扩展表现符合语言模型中的Chinchilla规律，自回归与流匹配模型均可被预测性地扩展。该研究为三维人体动作生成建立了训练前性能预测方法，可能降低数据受限对动画、机器人和游戏开发的影响。
下线会立即隐藏 Defomo 内容，并联动撤回 Elys 全部 Feed、详情和分享入口；恢复不会补推历史 Feed。 本操作覆盖整个事件簇及未来新成员。
Andrew Carr发布《人类动作生成的计算最优扩展规律》研究论文，称团队训练了数百个不同规模的模型，发现其扩展表现符合语言模型中的Chinchilla规律，自回归与流匹配模型均可被预测性地扩展。该研究为三维人体动作生成建立了训练前性能预测方法，可能降低数据受限对动画、机器人和游戏开发的影响。
簇级候选：7 个已有簇， 共 7 条代表。
Jonathan Jarvis发布人类动作生成研究论文，称团队训练了数百个不同规模的模型，并发现其扩展规律与语言模型中的相关规律相匹配。研究认为，动作生成模型的训练效果如今可在训练前预测，有望为动画、机器人、动作分析和游戏开发提供更可控的技术基础。
Cartwheel发布的人类动作生成研究称，团队构建大规模高质量动作数据集，并在不同数据量、模型规模和计算预算下训练数百个Motion Model，发现自回归与Flow Matching路线都呈现稳定、可预测的计算最优扩展规律。该结果为按预算规划模型规模、数据量和训练成本提供了依据，也显示动作生成可能具备基础模型化扩展潜力。