Percy Liuresearch notes

Case Study

KIMODO 能做什么、不能做什么：Prompt、Constraint 与案例评测

从一组成功与失败案例中拆解 KIMODO 的真实能力：哪些动作 prior 稳定、Constraints 能修什么，以及模型没有场景、道具状态或跨 Prompt 记忆意味着什么。

发布于 2026/07/286 min readEvidence archive

NVIDIA KIMODO 把 text-to-motion 与 sparse spatial constraints 放进同一个 motion authoring 流程。第一次看到 Demo，很容易得到一个过度乐观的印象：只要 Prompt 写得足够具体，再画几条路径，模型就能理解完整分镜。

如果需要先区分生成、补帧、检索与约束，可以先看 AI 动画技术版图；本文聚焦 KIMODO 这一种离线 authoring 组合。

实际评测得到的结论更有用，也更克制：KIMODO 很擅长在已有 motion prior 内生成全身动作草案；Prompt 负责“这是什么动作”，Constraint 负责“关键时刻去哪里”。它们都不等于场景理解、道具状态、精确动力学或动画导演系统。

评测方法：先找质量上限，再主动撞边界

我没有只挑几个成功 Prompt，而是把测试分成四类：

  1. 强 prior：injured / stealth / tired walk、简单转向、carry、put down、bow。
  2. 需要空间控制：到点停下、绕障碍、touch wall、pickup、backward dodge。
  3. 组合与时间阶段：idle→crouch、squat→stand、多段 carry / place、gesture→locomotion。
  4. 主动失败项：hit reaction、精确 martial arts、boxing、baseball swing。

每个案例保留英文 Prompt、duration、候选数量、Constraint、输出和失败解释。评分也被拆开：Prompt category 是否命中，不等于动作自然；Constraint 到点，不等于冲击或接触可信；可以导出，不等于项目角色上已经 production-ready。

最终分级很清楚：

等级 代表案例 生产含义
A injured / stealth / tired walk、turn、carry、squat-to-stand、carry-and-place、bow-and-exit 可直接作为动作草案
B obstacle、stop、pickup、touch、idle-to-crouch、dodge、长组合 需要拆段、时长窗口、Constraint 或多抽样
C drunk stagger、celebration 能选出结果，但稳定性或表演质量不足
D hit reaction、martial arts、baseball、boxing 不应继续靠堆 Prompt 或路径硬调

Prompt 的真正职责：选择 motion prior

稳定 Prompt 往往短、常见、动作结构清楚：

A person walks forward while carrying a heavy object with both hands.
A person stands still and then crouches down.
A person is squatting and then stands up.

相反，把帧号、距离、角度与多个动作阶段写进一句自然语言，不会让模型变成精确控制器：

Walk exactly two meters, rotate 90 degrees at frame 45,
raise the right hand, then crouch and touch the floor.

坐标与时刻属于 Constraint；Prompt 更像是在训练分布中选择动作和风格。评测中还有几个更具体的规律：

  • squat 比宽泛的 crouch 更稳定地表达双脚着地低姿态。
  • and then 能为单个 Prompt 建立可读的时间阶段，但句子越长并不必然越好。
  • carry、heavy、with both hands 对骨架姿态的影响通常大于 object 与 chest 的名词差异。
  • forward 是身体坐标中的明确方向；away 需要一个未被表示的场景参照，更容易产生自由发挥。
  • spin、flip、jump 等强视觉词可能支配整个局部阶段，而不是自动成为复杂招式的一部分。

Multi-prompt 不是一场对话

根据 KIMODO 官方项目与文档，模型训练时接收单个 Prompt。Demo 的 multi-prompt chaining 会分别生成各段动作，再用重叠的 full-body constraints 与 blending 保持连续。

公开架构没有展示或验证跨段文本 memory、object token 或持久 scene state。因此生产中不应依赖：

Segment 1: A person picks up a box.
Segment 2: Then the person walks away while holding it.

第二段应该独立写完整：

A person walks forward while holding a heavy box with both hands.

看起来仍然“拿着同一个东西”，可能来自上一段结尾姿态的 overlap、当前段自身的 holding prior 与 blending，而不是模型记住了物体身份。KIMODO 输出 body motion，没有随动作持续存在的 box geometry、collision 或 object state。

E14 的四个本地候选：两段 Prompt 分别描述 carry 与 put down。渲染只展示 body motion，没有 box geometry、collision 或持久 object state，因此手部姿态不等于已验证物体接触。Credit: Percy Liu，本地 KIMODO 能力评测输出License: 作品集发布许可已确认；模型与生成输出条款未由此扩大

Constraint 能修哪里，不能修哪里

官方 Constraints 文档 描述了 root、end-effector 与 full-body 等控制方式。本轮实验把它们的职责归纳为三层：

Root：控制路径和落点

简单前进、转弯和后撤的空间意图可以被明显改善。到点停下不能只放一个 endpoint；更可靠的做法是在末尾形成短 hold 区间。

但 root path 不适合表达所有风格。Drunk stagger 的浅 S-curve 仍然触发了转身 prior，让“摇晃”变成“主动改朝向”。这时删掉路径、让 Prompt 表达身体风格，反而更合理。

Hand / foot：表达接触位置

Wall touch 一类任务里，Prompt 可以选择 reach / touch 动作，hand targets 再规定手应该落在哪里。如果目标离身体太远，应先移动 root，而不是让手臂单独追逐一个不可能的位置。

这仍只是骨架目标。模型不知道墙面的碰撞体，也不会生成道具 mesh。

Full-body：表达必须经过的姿态

Full-body keyframe 适合少量关键姿态和 in-betweening；把每一帧都锁住会压缩生成空间，使动作变僵。对严格 squat、接触姿势或特殊 silhouette，full-body reference 往往比继续加 Prompt 更直接。

Duration 是动作阶段预算

Duration 不是单纯的输出长度。Pickup 太短，模型来不及完成下蹲、接触和起身；太长，模型又可能在拿起后自行加入 put-down。Temporal Prompt 与 multi-prompt 的价值，本质上是为动作阶段分配时间。

更稳的工作方式是：

  1. 先用 Prompt-only 生成 4–8 个候选，找到自然 seed。
  2. 只在空间意图不清楚时加入 root path。
  3. 接触事件再加入少量 hand / foot targets。
  4. 必须经过的姿态才使用 full-body keyframe。
  5. 用 duration 控制 action 与 recovery 的时间窗口。
  6. 最后用 post-processing 提高 Constraint 命中并检查 foot skating。

这也解释了为什么 Best-of-N 不是临时补救。生成模型的候选差异客观存在；一个可用工具应该记录 seed、duration、CFG、Constraint 与模型版本，并让人快速淘汰明显坏样本。

BONES-SEED：有价值的 proxy，不是训练集真相

KIMODO 官方项目说明模型使用约 700 小时 optical mocap data。但完整 RP01 / Rigplay training manifest 没有公开，因此无法从外部精确重建训练分布。

我另外分析了 gated BONES-SEED dataset card 中的聚合 metadata：公开的 142,220 条、288.32 小时包含镜像增强；去掉镜像后为 71,132 条、144.22 小时。它可以作为高价值 proxy，因为 metadata 与 KIMODO temporal labels 能帮助解释 Prompt 结果；它不能替代约 700 小时训练集的逐 clip 统计。

这个 proxy 与部分案例之间出现了可解释的定性对应：

  • injured leg 与 injured torso 合计 5,239 条，injured locomotion 的稳定性很高。
  • object manipulation 有大量 pickup / carry 相关证据，但完整阶段仍受 duration 影响。
  • 精确 Martial Arts category 只有 10 条，shadow boxing 也只有少量明确记录。
  • 26 条包含 baseball 的命中实际来自舞蹈中的 “baseball beat / variation”，没有形成挥棒证据。
  • 去镜像后的 temporal labels 平均每条 motion 有 2.48 个阶段，单阶段中位数约 2 秒。

最合适的产品定位

在这组证据下，KIMODO 最适合被定位为离线动作预演与草案工具：

Prompt / Duration / Constraint
            → Best-of-N → 人工选择
                              → SOMA BVH
                                  → DCC format conversion
                                      → UE Skeleton Retarget（handoff only）

它不是 UE Runtime 动作生成器，也不是完整的 prop-aware animation system。本文只验证到短格式 handoff：KIMODO 输出 SOMA BVH，经 DCC 做坐标、骨架与交换格式处理，再进入 UE Skeleton Retarget，成为可继续检查和修整的 AnimSequence 草案。这里没有“直接从 KIMODO 导出项目角色 FBX”的假设，也不把 DCC / UE 链路写成模型质量或 production readiness 的证据。

Prompt assistant、远程服务、Maya authoring client、模型 fine-tuning 与 release engineering 属于本系列其他条目，不在这篇能力评测中展开。

许可与公开边界

KIMODO 的代码、模型权重、训练数据与生成输出不是同一份许可，不能用“项目可见”概括全部权利。本文链接 官方项目、limitations、configuration 与数据卡，并只加入上方一段经确认可在本作品集发布的本地生成输出；不再分发上游代码、模型、BONES metadata、BVH 或第三方视频。该发布许可不推导或扩大任何上游条款。

未来若公开工具或生成资产，应分别完成：

  1. 上游 source code license 审计。
  2. checkpoint / model license 审计。
  3. 训练与评测 dataset license 审计。
  4. 生成 output 的使用与再分发条款确认。
  5. 移植 UI 或第三方组件的版权头、NOTICE 与修改说明。