EvolvingAvatar 让 3D 头像在对话中边生成边学习，OOD-Hard 上表情统计失配最多降 11.1%
EvolvingAvatar 提出一种因果式交互 3D 头部生成器，在推理时用测试时训练从用户人脸视频与双方音频中自适应，通过 Dyadic Context Prediction 自监督目标、持久快权重与瞬时下颌适应来生成说话与倾听动作，并配套发布 455.95 小时的 InterHead-Bench 基准；实验显示其对话动作统计优于强基线，在最难的分布外划分上随对话推进而改善，与录制用户—头像表情统计的失配从第一个区间起最多降低 11.1%。