通过特定领域增强健身智能 LLM 后训练

科学健身教练 (SFC) 通常由专业人士提供，这使得它成本高昂且对许多人来说难以接受。虽然 大语言模型 (LLM) 的最新进展显示了更具包容性的健身教练的巨大前景，但在 SFC 中直接部署流行的通用 LLM 却暴露出严重的局限性。这些模型往往缺乏足够的特定领域知识集成，导致在复杂的 SFC 场景上表现不佳。在本文中，我们介绍了 FitOne，这是一系列健身 LLM（具有 8B 和 32B 参数），旨在提高 SFC 应用的可靠性和领域专业化。 FitOne 以 Qwen3 基础模型为基础，通过三阶段 后训练 管道进行开发，该管道由连续 预训练、监督 微调 和强化学习组成，使用源自严格知识工程的大规模、高质量数据集。我们对FitOne进行专业健身认证考​​试的综合评估，包括ACSM-EP和NSCA-CSCS，以及知识推理和指令跟随等一般能力。实验结果表明，在保留较强通用能力的同时，FitOne-8B/32B在ACSM-EP和NSCA-CSCS考试中与Qwen3基础模型相比，平均提升分别高达10.09%/9.29%和12.73%/7.01%。此外，深入的消融研究证实了每个训练阶段的必要性，强调了该管道在平衡领域专业知识增强与一般能力保留方面的有效性。我们相信这项研究推动 LLM 系统走向更可靠的健身智能，并将激发未来开发特定领域 LLM 的研究。