O MIMO é um modelo de síntese de vídeo universal capaz de imitar qualquer pessoa interagindo com objetos em ações complexas. Ele pode sintetizar vídeos de personagens com atributos controláveis (como personagem, ação e cenário) com base em entradas simples fornecidas pelo usuário (como imagens de referência, sequências de poses, vídeos ou imagens de cenas). O MIMO faz isso codificando vídeos 2D em códigos espaciais compactos e decompondo-os em três componentes espaciais (personagem principal, cena de fundo e oclusão flutuante). Este método permite controle flexível, expressão de movimento espacial e síntese com percepção 3D, adequada para cenários interativos do mundo real.