你挥手拿起杯子时，数字人不能只把胳膊画对：手指要及时握住杯子，表情要连贯，杯子也得随动作变化。这项工作把这些变化放进同一个人物中心世界模型——也就是让 AI 预测人物动作之后，自己和周围物体接下来会怎样——目标是让数字人能够被现场操控，而非事后慢慢生成。
它最值得注意的一步，是把控制拆成两路。身体、手和面部的平滑运动被压成统一的潜在表示，即一组供模型预测使用的内部数字摘要；“未接触”“抓握”等明确事件则作为离散指令输入。这样，动作过程与接触类别不必挤在一句开放式文字提示里，用户可以分别控制“怎么动”和“是否抓住”。作者还用多尺度编码兼顾上身的大动作与手、脸的细微变化。
经 CausVid 与 Self-Forcing 加速后，系统在两张 H100 GPU 上以流式方式达到 25 FPS。作者称其手与物体的配合、细微动作保真度和实时交互均优于对比方法；不过这一速度依赖两张高端 GPU，论文聚焦的也只是上半身及附近物体，离通用数字世界仍有距离。