用途：把静态 3D 角色、生物或道具自动转为已绑定（rigged）资产；也可只生成骨架、只生成蒙皮权重，或把预测的绑定合并回原始几何与材质。UniRig 由 VAST-AI-Research 提出（SIGGRAPH'25，MIT 许可），采用两阶段自回归框架：类 GPT 的 Transformer 从网格几何预测拓扑有效的骨架，再以骨骼-点交叉注意力模型预测逐顶点蒙皮权重，第三步将绑定合并回原始全分辨率带贴图资产。
使用方式：先运行 bash scripts/doctor.sh（或 --json）检查 Python 3.11、torch 与 CUDA、spconv、torch_scatter、torch_cluster、flash_attn、bpy、trimesh、UniRig 检出及 Hugging Face 可达性，缺阻塞项时退出码为 1。安装技能命令为 npx skills add https://github.com/akillness/jeo-skills --skill unirig；上游可用 bash scripts/install.sh --repo-only、--cuda cu121、--torch 2.4.0、--vrm。先用 --dry-run 打印上游命令，再执行 bash scripts/rig.sh --input ... --output ...；分段用 --stage skeleton、--stage skin、--stage merge（或 --stage all），也可用 --input-dir/--output-dir 批量处理骨架与蒙皮阶段。
限制：无 CUDA GPU 无法推理，须转向 CUDA 机器、云端 GPU、托管服务或 Mixamo/AccuRig/Rigify 等；只可绑定用户有修改授权的资产，检查点与 Rig-XL/VRoid/Objaverse 数据各有其条款；合并必须用 *_skin.fbx 而非 *_skeleton.fbx；骨架有问题应先修再蒙皮；GLB 用 scripts/inspect_glb.py 校验，FBX 需在 Blender 中验证。训练与数据集仅在需要时参考相应文档。