COSMI：多物体交互的组合式合成数据集与方法

COSMI 通过组合单物体交互片段构建出含 222k 序列、275 小时、最多五个物体的多物体交互数据集，规模约为最大同类采集数据的近三十倍。基于该数据训练的 COSMI 方法是一个文本到交互的扩散 Transformer，用权重共享的物体槽生成可变数量物体。在含未见物体与未见交互组合的基准上，其文本对齐与接触准确率均优于基线，在未见物体上优势最大。