本发明涉及人工智能与游戏开发技术领域，具体涉及一种融合动作理解与生成任务的多模态大模型及其构建方法，包括：利用大语言模型分析文本素材获取动作文本描述，录制对应演员表演视频并预处理；通过算法捕捉人体关键点轨迹，经HMR4D整合生成3D动作...