Esta é uma estrutura de modelo de linguagem multimodal desenvolvida por uma equipe de pesquisa da Universidade de Stanford, destinada a unificar a linguagem verbal e não verbal em ações corporais 3D. O modelo consegue compreender e gerar dados multimodais que incluem texto, voz e movimento, sendo crucial para a criação de personagens virtuais capazes de se comunicar naturalmente, com ampla aplicação em jogos, cinema e realidade virtual. As principais vantagens do modelo incluem alta flexibilidade, pouca necessidade de dados de treinamento e a capacidade de desbloquear novas tarefas, como a geração de gestos editáveis e a previsão de emoções a partir de movimentos.