只看關節角度誤差，往往會把腳滑、落地時機錯、支撐不穩這些觀感上很明顯的問題沖淡。HumanTracker屬於資料集加評測工具類型，核心不是再做一個追蹤模型，而是替 humanoid motion tracking 建立更貼近人眼判斷的 benchmark，讓 teleoperation 與 whole-body imitation 的結果不只「數值過關」，影片也更可信。

它的價值在於同時補兩個缺口：一邊擴大測試覆蓋，另一邊重寫評分方法。項目收錄約 153 小時光學動作資料、來自 24 位專業表演者，整理成四類動作家族，專門拉開日常步態、高動態、互動動作與接地穩定性之間的差異；再用 12K human-labeled preference pairs，訓練出偏好對齊的 HumanScore，去判斷哪條 tracker trajectory 更接近人會接受的效果。

跟 MPJPE 這類逐幀 kinematic 指標相比，HumanScore 重點不在每一幀有幾準，而在整段軌跡有沒有出現長時間滑步、抖動、漂移與失去平衡。官方提供的結果顯示，HumanScore 在測試集對人類偏好的對齊率達 90.83%，比較強的傳統診斷指標高 6.78 分；README 亦保留 Succ、MPJPE 與 HumanScore 幾種分數，代表它不是取代舊指標，而是把「物理上站不站得住」這件事補回評估流程。

• 約 153 小時新採集 optical motion，涵蓋 25K 級別標註片段
• HumanScore 來自 trajectory reward model，學的是人對整段動作的偏好
• 儲存庫提供 evaluation harness、HumanScore reward model 同數據處理工具
• 適合做人形機械人追蹤、模仿學習、teleoperation 評測的研究團隊使用

這個 GitHub 儲存庫比較像研究評測基建：重點是下載資料集、跑 evaluation harness、再用 HumanScore 與傳統指標一起看結果，而不是即開即用的終端產品。受益最大的會是做人形控制、動作追蹤與模仿策略比較的團隊，因為它能幫你分辨模型究竟只是把姿勢角度擬合得好，還是真的把接觸、穩定與動作連貫度處理好。限制也很明確：它主要提升的是評測可信度，不等於直接改善 tracker 本身能力。

項目主頁 · GitHub

長序列 rollout 最棘手的位，在於錯誤會一路累積，但部署之後偏偏冇真值可以對照。round-trip-consistency 針對的正正是呢個缺口：它屬於一個研究型模型項目，用單一 conditional latent diffusion model 同時向前、向後推演 dynamical system，然後用來回一次嘅落點差距 round-trip consistency 當成自監督誤差訊號，判斷當前預測仲值唔值得信。

相比靠 ensemble、外部觀測、保留測試資料，甚至依賴 governing equations 去估可信度，呢個做法嘅取捨幾直接：代價係多做一次反向 rollout，換來唔需要額外真值。模型關係亦唔複雜，高維輸入先經 VAE 壓到 latent space，再由同一個 bidirectional latent diffusion model 配合 direction flag 做 forward 或 backward rollout，所以 backward 不只是檢查工具，亦順手變成 inverse solver。

現有資料已經講清楚它較適合點樣理解和測試：重點唔係即裝即用嘅應用介面，而係跟隨論文與程式碼重現 rollout、計算 C_i(Confidence Interval)，再觀察它同真實 rollout error 嘅關係。對做科學模擬、時序生成、物理場預測，或者想為 autoregressive generative model 加一層 test-time trust signal 嘅研究團隊，呢類方法比單純看步數深度更有參考價值。

• 用 forward 再 backward 嘅差距作為無需量測嘅 test-time error signal
• 同一個 bidirectional diffusion model 包辦雙方向推演，訓練成本冇因雙向設計而上升
• 在 MHD、turbulent Navier-Stokes 同 CelebV-HQ 呢類資料上驗證，覆蓋物理場與影像序列
• 可用來做 error ranking、OOD flags 同 selective prediction，而唔止係生成結果本身

結果 C_i 在 held-out MHD trajectory 與 rollout error 有高相關，固定深度下 Spearman 可達 0.91 至 0.98；面對 out-of-distribution 的 Orszag-Tang vortex，AUROC 達 0.98，到 depth 10 去到 1.0。它亦能在 80% coverage 下將 incurred error 降低 15%，而在 LE-PDE-UQ 的 benchmark，一個 bidirectional model 已接近十模型 ensemble 嘅水位，訓練成本只係十分之一。不過呢個項目仍然偏研究原型，價值最大嘅場景係替長 rollout 模型補上「幾時應該停、幾時可以信」呢個判斷層，而唔係即時提供完整產品化流程。

項目主頁 · GitHub