FitAQA：面向多模态大语言模型的健身动作质量评估基准

健身动作质量评估（AQA）对智能运动训练十分重要，但多模态大语言模型（MLLM）在此场景下的能力仍待探索。现有基准依赖动作特定的标注方案，主要关注最终评估输出，对模型如何评估动作质量洞察有限。我们提出FitAQA，一个系统评估MLLM健身AQA能力的基准，包含2,219个视频与5,512个问答实例，覆盖30种自重训练动作。我们与运动科学专家合作，建立统一的形态错误分类法，在六个互补质量维度（对齐、对称、稳定、协调、节奏与完整）下定义38种常见形态错误。该分类法为不同动作提供共享的评估框架。FitAQA进一步设计三个评估任务：感知（识别相关视觉证据）、判断（将该证据与领域知识结合以评估动作正确性）和时序定位（在时间上定位形态错误）。大量评估表明，当前MLLM仍难以全面评估动作质量并精确定位形态错误。受控实验进一步指出视觉感知是关键瓶颈：提供真值感知证据后，判断性能显著提升。数据集见 https://huggingface.co/datasets/Kelly0510/FitAQA。