Dies ist ein von einem Forschungsteam der Stanford University entwickelter multimodaler Sprachmodellrahmen, der darauf abzielt, verbale und nonverbale Sprache in 3D-menschlichen Bewegungen zu vereinheitlichen. Das Modell kann multimodale Daten, die Text, Sprache und Bewegungen enthalten, verstehen und generieren. Es ist von entscheidender Bedeutung für die Erstellung von virtuellen Charakteren, die natürlich kommunizieren können, und findet breite Anwendung in Bereichen wie Spielen, Filmen und Virtual Reality. Zu den Hauptvorteilen des Modells gehören hohe Flexibilität, geringer Bedarf an Trainingsdaten und die Möglichkeit, neue Aufgaben wie die Generierung bearbeitbarer Gesten und die Vorhersage von Emotionen aus Bewegungen zu erschließen.