技术指南 · 每条论断都对应论文或 README
架构：一个潜在骨干，两个指令面
MotionBricks 是一个模块化潜在生成骨干——VQVAE 动作分词器、pose 模型和 root 模型——通过智能图元暴露能力：移动用速度、朝向与风格指令，物体交互用代理关键帧。本页把这些组件对应到安装后你会看到的文件。
模块化潜在骨干
不是单个巨型网络，发布版训练了三个组件，权重在 out/ 里——训练脚本与组件一一对应（见训练指南）：
1 · VQVAE 动作分词器
把动作压缩为离散潜在编码。另外两个组件都在这个潜在空间里工作，scripts/train_vqvae.py 最先训练它——pose 模型需要它的 checkpoint。
2 · Pose 模型
在分词器的潜在空间里生成动作的身体位姿侧，由智能图元指令驱动。Checkpoint 目录：out/motionbricks_pose/。
3 · Root 模型
生成根轨迹——身体去哪、多快。按 README 注释，它训练时不需要 VQVAE，所以 root 与 pose 把任务干净地拆开。Checkpoint 目录：out/motionbricks_root/。
单个骨干覆盖整个语料的回报是项目页上的数字：一个模型覆盖 350,000+ 动作片段，15,000 FPS，2 ms 延迟——而不是一堆按技能拆开的系统库。
| Checkpoint 文件 | 大小 |
|---|---|
out/G1-clip.ckpt | ~7.5 MB |
out/motionbricks_vqvae/version_1/checkpoints/*.ckpt | ~273 MB |
out/motionbricks_pose/version_1/checkpoints/*.ckpt | ~1.6 GB |
out/motionbricks_root/version_1/checkpoints/*.ckpt | ~391 MB |
如实说明范围：README 点名了三个模型组件和文件布局，但没有说明 out/G1-clip.ckpt 除随发布一起提供之外的用途；内部机制以论文的方法章节为准。本页不声称任何官方材料没写的东西。
智能图元：指令面
骨干是大规模的；接口是小的。两个图元家族覆盖导航与交互，项目页描述为"用于创作导航与物体交互的统一、稳健、直观接口"：
智能移动——速度 + 朝向 + 风格
你指挥三件事：多快、哪个方向、什么风格。项目页：该图元"从任意速度、朝向与风格指令合成自然动作，无需重新训练或按任务调参"。演示里的 11 个风格键全是这个接口——见风格库。
智能物体——代理关键帧
场景交互被指定为"一组灵活的代理关键帧；骨干网络补全接近、接触与跟随动作——每次运行都有自然变化"（项目页）。README 图库展示了拾取、摔倒、跳长凳与坐下。
Zero-shot：新任务无需重训
论文的可扩展性主张在项目页上写得很直白："MotionBricks 以 zero-shot 方式应用于新的下游任务——无需微调或任务专属标注——因此应用可以像搭积木一样即插即用地组装，无需动画专家知识。"一组新指令组合不是一次新训练；同一个骨干就能回答它。这就是"像积木一样组装动作"在实践中的含义。
动画管线里消失的东西
官方 2:40 无剪辑 UE5 演示是证据，项目页逐字给出了配方："每个动作都由神经网络生成——没有脚部锁定、没有混合、没有碰撞检测、没有手写过渡。"其中每一项都是一整类传统动画图工作：
- 没有脚部锁定——接触来自生成动作本身，而不是 IK 补丁。
- 没有混合——动画之间没有混合空间或加权片段混合。
- 没有碰撞检测——物体接触是生成的，不是物理检查解算的。
- 没有手写过渡——没有需要接线维护的过渡图；运行时过渡是连续的，正如 Idle · Walk · Jog · Run 图库 GIF 所示。
这在 Unreal 工作流里意味着什么，见UE5 集成页；这个设计的机器人侧邻居是GEAR-SONIC。
训练数据从哪来
语料是 BONES-SEED 数据集，README 描述为"来自真实人类演员的 35 万个生产级动作捕捉片段"（Hugging Face 数据集页）。"350,000 片段 vs 15,000 FPS"这个说法按来源的拆解——包括 142,220 条重定向 G1 轨迹与约 288 小时——在官方素材页展开。
机器人可用的轨迹由 SOMA Retargeter 产生，"把 SOMA 捕捉重定向到 G1 的 Newton 求解器"（README）——见 NVIDIA/soma-retargeter。SOMA 捕捉变成 G1 MuJoCo 轨迹，骨干学的就是这些；动作特征格式本身记录在官方 motion representation 文档里。
