Принято считать, что генерация анимации по тексту — это неизбежно долгий офлайн-рендеринг. NVIDIA попыталась сломать этот паттерн, открыв исходный код ARDY — авторегрессионной диффузионной модели для интерактивного управления персонажами. Заявлена полная отзывчивость: можно менять текстовые промпты на лету или расставлять точки маршрута мышью, а система перестроит движения прямо во время воспроизведения без пауз на просчёт.

Но стоит заглянуть под капот, как возникают вопросы к практической применимости вне лабораторий. Для интерпретации потоковых команд ARDY требует локального запуска Meta-Llama-3-8B-Instruct через токен Hugging Face. Держать в памяти 8-миллиардную языковую модель исключительно ради текстового энкодера — непозволительная роскошь для игрового рантайма. К тому же целевая частота генерации в 20-25 FPS достигается только при компиляции через TensorRT на картах уровня RTX 4090, что жёстко привязывает стек к аппаратному обеспечению.

Правда, если закрыть глаза на системные требования, сам математический аппарат вызывает интерес. Пайплайн корректно обрабатывает строгие кинематические ограничения, удерживая стопы на земле или фиксируя позиции отдельных суставов при генерации. Сейчас доступны готовые веса для базовых гуманоидов и роботов Unitree G1. Пока это скорее тяжеловесный демо-стенд, но сам принцип гибридного управления процедурной анимацией имеет шансы закрепиться в индустрии.