Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training

📄 arXiv: 2607.02118v1 📥 PDF

作者: Xingtao Zhao, Tian Yang, Han Jiang

分类: cs.AI

发布日期: 2026-07-02

备注: 8 pages, 6 tables, 2 figures. Accepted by the 12th International Conference on Big Data Computing and Communications (BigCom 2026)

💡 一句话要点

提出FitOne以解决科学健身教练领域的知识不足问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 科学健身教练 领域特定模型 后训练流程 知识整合 强化学习 健身智能 专业认证

📋 核心要点

  1. 现有的通用大型语言模型在科学健身教练领域缺乏足够的领域知识整合，导致复杂场景下表现不佳。
  2. 论文提出FitOne，通过三阶段后训练流程，结合持续预训练、监督微调和强化学习，提升健身LLMs的领域专长。
  3. FitOne在专业健身认证考试中表现优异，相较于Qwen3基础模型，ACSM-EP和NSCA-CSCS考试平均提升分别达到10.09%和9.29%。

📝 摘要（中文）

科学健身教练（SFC）通常由专业人士提供，成本高且难以普及。虽然大型语言模型（LLMs）在健身教练中展现出潜力，但直接应用现有通用LLMs在SFC中存在显著局限性。本文提出FitOne，一系列专为SFC设计的健身LLMs，通过三阶段后训练流程提升模型的可靠性和领域专长。FitOne在专业健身认证考试中表现出色，相较于基础模型，取得了显著的性能提升。我们相信该研究将推动LLM系统向更可靠的健身智能发展，并激励未来领域特定LLMs的研究。

🔬 方法详解

问题定义：本文旨在解决现有通用大型语言模型在科学健身教练领域知识不足的问题。这些模型在复杂的健身场景中表现不佳，无法满足专业需求。

核心思路：论文提出FitOne，通过三阶段后训练流程，结合持续预训练、监督微调和强化学习，专注于领域知识的整合与提升，以增强模型在健身教练中的应用能力。

技术框架：FitOne的整体架构包括三个主要阶段：首先是持续预训练，利用大规模高质量数据集进行知识工程；其次是监督微调，针对特定任务进行优化；最后是强化学习，进一步提升模型的决策能力和适应性。

关键创新：FitOne的核心创新在于其三阶段后训练流程，特别是通过强化学习来平衡领域专长与通用能力的保留。这一设计使得FitOne在专业健身领域的表现显著优于现有模型。

关键设计：FitOne的参数设置包括8B和32B两个版本，采用了针对健身领域的特定损失函数和网络结构，以确保模型在知识推理和指令跟随方面的高效性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

FitOne在专业健身认证考试中表现突出，相较于Qwen3基础模型，ACSM-EP和NSCA-CSCS考试平均提升分别达到10.09%和9.29%。此外，深入的消融研究确认了每个训练阶段的必要性，展示了该流程在增强领域专长与保留通用能力之间的有效平衡。

🎯 应用场景

FitOne的研究成果可广泛应用于健身教练、健康管理和运动科学等领域，能够为用户提供更为个性化和专业的健身指导。未来，FitOne的设计理念和方法论也可能激励其他领域特定LLMs的开发，推动智能健身技术的普及与应用。

📄 摘要（原文）

Scientific Fitness Coaching (SFC) is typically delivered by human professionals, making it costly and inaccessible to many. While recent advances in Large Language Models (LLMs) show considerable promise for more inclusive fitness coaching, directly deploying prevailing general-purpose LLMs in SFC reveals critical limitations. These models often lack sufficient domain-specific knowledge integration, leading to weak performance on complex SFC scenarios. In this paper, we introduce FitOne, a series of fitness LLMs (with 8B and 32B parameters) designed to improve reliability and domain specialization for SFC applications. Built upon the Qwen3 foundation models, FitOne is developed through a three-stage post-training pipeline consisting of continual pre-training, supervised fine-tuning, and reinforcement learning, using large-scale, high-quality datasets derived from rigorous knowledge engineering. We conduct comprehensive evaluations of FitOne on professional fitness certification exams, including ACSM-EP and NSCA-CSCS, as well as general capabilities such as knowledge reasoning and instruction following. Experimental results show that, while retaining strong general capabilities, FitOne-8B/32B achieves average improvements of up to 10.09%/9.29% and 12.73%/7.01% on the ACSM-EP and NSCA-CSCS exams, respectively, compared with the Qwen3 base models. Furthermore, in-depth ablation studies confirm the necessity of each training stage, highlighting the pipeline's effectiveness in balancing domain expertise enhancement with general ability retention. We believe this research advances LLM systems toward more reliable fitness intelligence and will inspire future research on developing domain-specific LLMs.