知识卡片：Inter-X++：面向多模态人-人交互分析的综合基准

英文标题：Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis

英文关键词：Human-Human Interaction; Multimodal Benchmark; Whole-body Motion; Contact Map; OpenHHI

一句话结论

Inter-X++ 是一个包含 11,388 条高保真交互序列、超过 810 万帧的大规模多模态人-人交互基准，并配套提出 OpenHHI 统一表示与建模框架，在生成和感知任务上均达到当前最优性能。

事件概述或研究问题

现有面向人-人交互的数据集与建模方法存在三个主要瓶颈：运动学保真度低、缺少精细手部姿态、多模态标注严重不足。同时，交互表示碎片化、评测协议不一致，也阻碍了公平和严格的 benchmark 构建。

为此，作者提出 Inter-X++，试图系统性地解决上述问题；更进一步，论文提出 OpenHHI，用统一的交互表示打通“理解”与“生成”两类任务。

方法/产品要点

• 数据采集：采用新型混合动作捕捉系统，提供 11,388 条高保真交互序列、超过 8.1M 帧，包含全身动作与手指关节细节。
• 多模态标注：包含层级细粒度文本描述、交互类别、因果交互顺序、对象间关系与性格、顶点级接触图，以及物理规则化约束。
• 统一测试平台：覆盖四类下游任务，对称地横跨生成与感知范式；具体四类任务名称待核实。
• 评测标准化：系统性地标准化交互表示与评测协议，以减少 benchmark 对比中的歧义。
• OpenHHI 框架：一个统一的 HHI 表示与建模框架，联合优化交互重建与语义理解。

主要结果或产业意义

实验表明，OpenHHI 在生成任务和感知任务上均取得 state-of-the-art 性能，作者认为这验证了统一表示能够同时桥接交互理解与交互生成。该基准为智能数字人系统的交互感知与合成提供了大规模数据基础和统一的评测平台，对虚拟内容生成、沉浸式交互等方向具有支撑价值。

为什么重要

• 现有资源往往局限于低保真动作或忽略手部精细运动，Inter-X++ 以大规模、高保真、手指级细节和多模态标注回应了这些短板。
• 该工作同时覆盖感知和生成，并通过 OpenHHI 尝试解决以往表示碎片化和评测不一致的问题，具有“数据+标注+评测+建模”的闭环价值。
• 与已有相关卡片中面向“人机推理交互”的 Deep Interaction 不同，本条关注的是“人-人交互”的多模态感知与生成基准。

局限与不确定性

• 摘要未给出四类下游任务的具体名称与评测细节，待核实。
• 摘要未报告 OpenHHI 与基线方法的具体量化对比结果（如提升幅度），待核实。
• 数据集的采集场景、动作类型覆盖范围、标注者一致性等未在摘要中说明，待核实。
• OpenHHI 在其他数据集或真实场景上的泛化表现待核实。

可用于图书/PPT/简报的角度

• 作为“数据+标注+评测+模型”四位一体的 benchmark 案例，展示如何系统性地推动人-人交互研究。
• 强调手指关节、顶点级接触图等细粒度信息，体现多模态人体建模从“粗略骨架”走向“精细交互”的趋势。
• 以统一表示连接感知与生成，可作为“多任务统一建模”的讲解素材。
• 说明标准评测协议对领域公平对比的重要性。

原始材料

• 英文标题：Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis
• arXiv ID：2608.20312v1
• 作者：Liang Xu, Chengqun Yang, Zili Lin, Xintao Lv, Yichao Yan, Xin Jin, Zhibo Chen, Xiaokang Yang, Wenjun Zeng
• 发布/更新时间：2026-08-20
• 主要分类：cs.CV
• URL：https://arxiv.org/abs/2608.20312v1
• PDF：https://arxiv.org/pdf/2608.20312v1