論文の概要: Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training

• arxiv url: http://arxiv.org/abs/2607.02118v1
• Date: Thu, 02 Jul 2026 12:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.832985
• Title: Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training
• Title（参考訳）: ドメイン特化LDMポストトライニングによるフィットネスインテリジェンス向上
• Abstract要約: SFC(Scientific Fitness Coaching)は通常、人間のプロフェッショナルによって提供され、コストがかかり、多くの人にアクセスできない。 本稿では,SFCアプリケーションの信頼性向上とドメイン特殊化を目的とした,適合性大言語モデル(LLM)のシリーズであるFitOneを紹介する。 我々は、ACSM-EPやNSCA-CSCSを含むプロのフィットネス認定試験において、FitOneの総合的な評価を行う。
• 参考スコア（独自算出の注目度）: 8.029447669362328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: SFC(Scientific Fitness Coaching)は通常、人間のプロフェッショナルによって提供され、コストがかかり、多くの人にアクセスできない。 近年のLarge Language Models (LLM) の進歩により、より包括的なフィットネスコーチングが期待できる一方で、SFC に広く普及している汎用 LLM を直接デプロイすることで、限界が明らかになっている。 これらのモデルには十分なドメイン固有の知識統合が欠如しており、複雑なSFCシナリオの性能が低下する。 本稿では,SFCアプリケーションの信頼性向上とドメイン特殊化を目的とした適合性LLM(8Bパラメータと32Bパラメータ)のシリーズであるFitOneを紹介する。 Qwen3ファウンデーションモデルに基づいて構築されたFitOneは、厳格な知識工学から派生した大規模で高品質なデータセットを使用して、継続的事前トレーニング、教師付き微調整、強化学習からなる3段階のポストトレーニングパイプラインを通じて開発されている。 本稿では,ACSM-EP や NSCA-CSCS などの専門的フィットネス認定試験において,FitOne の総合評価を行い,知識推論やインストラクションフォローなどの一般的な能力について検討する。 実験結果から、FitOne-8B/32Bは、Qwen3ベースモデルと比較して、ACSM-EPとNSCA-CSCS試験でそれぞれ10.09%/9.29%、12.73%/7.01%の平均的な改善を実現していることがわかった。 さらに、詳細なアブレーション研究により、各トレーニング段階の必要性が確認され、一般的な能力維持とドメインの専門知識向上のバランスをとる上で、パイプラインの有効性が強調される。 本研究は、LCMシステムをより信頼性の高いフィットネスインテリジェンスに進化させ、将来のドメイン固有のLCMの開発に刺激を与えるものと信じている。

関連論文リスト

• Federated Prompt Learning: A Unified Framework, Empirical Analysis, and Future Directions [26.241910333534875]
  フェデレート・プロンプト・ラーニング(FPL)は、クライアントが生データを共有せずに学習モデルを協調的にトレーニングできる分散トレーニングパラダイムである。 本稿では,連合学習パラダイムと大規模言語モデルの統合に関する最近の進歩を概観する。
  論文  参考訳（メタデータ） (2026-08-14T00:25:24Z)
• Less Data, More Security: Advancing Cybersecurity LLMs Specialization via Resource-Efficient Domain-Adaptive Continuous Pre-training with Minimal Tokens [1.2116854758481395]
  ドメイン適応型継続的事前訓練(Domain-Adaptive Continuous Pretraining, DAP)は、大規模言語モデル(LLM)におけるサイバーセキュリティ理解を強化する手法である。 我々は,1億6百万ワードのサイバーセキュリティコーパスを標準,学術文献,その他さまざまな情報源から活用して,デコーダベースの3つのアーキテクチャを適用した。 Llama-3.3-70B-Ins-DAPモデルは、それぞれ0.718、0.933、0.864の最先端のアキュラティを達成した。
  論文  参考訳（メタデータ） (2025-06-30T12:59:29Z)
• General-Reasoner: Advancing LLM Reasoning Across All Domains [64.70599911897595]
  強化学習(RL)は近年,大規模言語モデル(LLM)の推論能力の向上に強い可能性を示している。 本稿では,多分野にわたるLSM推論能力の向上を目的とした,新たなトレーニングパラダイムであるGeneral-Reasonerを提案する。 私たちは一連のモデルをトレーニングし、物理学、化学、金融、電子工学など幅広い分野をカバーする幅広いデータセットでそれらを評価します。
  論文  参考訳（メタデータ） (2025-05-20T17:41:33Z)
• InternVL3: Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models [139.19991097260115]
  InternVL3は、ネイティブなマルチモーダル事前学習パラダイムを備えたInternVLシリーズの重要な進歩である。 特に、InternVL3-78B は MMMU ベンチマークで72.2 のスコアを獲得し、オープンソースの MLLM に新しい最先端技術を設定する。 オープンサイエンスの原則を追求するため、我々は、次世代MLLMのさらなる研究・開発を促進するために、トレーニングデータとモデルウェイトの両方を公開します。
  論文  参考訳（メタデータ） (2025-04-14T17:59:25Z)
• Hephaestus: Improving Fundamental Agent Capabilities of Large Language Models through Continual Pre-Training [69.13064064991552]
  Hephaestus-Forgeは、API関数呼び出し、本質的な推論、計画におけるLLMエージェントの機能を強化するために設計された大規模な事前トレーニングコーパスである。 Hephaestus-Forgeは、76,537のAPIを含む103Bのエージェント固有のデータで構成されている。 Hephaestus-Forge上でのトレーニングの継続により、Hephaestusは3つのエージェントベンチマークで、小規模から中規模のオープンソースLLMと商用LLMに匹敵するパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2025-02-10T15:54:34Z)
• Deciphering Cross-Modal Alignment in Large Vision-Language Models with Modality Integration Rate [118.37653302885607]
  本稿では,LVLM(Large Vision Language Models)のマルチモーダル事前学習品質を示すために,MIR(Modality Integration Rate)を提案する。 MIRは、トレーニングデータ選択、トレーニング戦略スケジュール、モデルアーキテクチャ設計に重点を置いて、トレーニング前の結果を改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:04Z)
• Efficient Continual Pre-training by Mitigating the Stability Gap [68.49269649759005]
  本研究では,Large Language Models (LLM) の継続事前学習における挙動について検討する。 固定された計算予算内でのLLM性能を向上させるための3つの効果的な戦略を提案する。 当社の戦略は,OpenLlama-3Bモデルの平均医療タスク性能を36.2%から40.7%に改善し,当初のトレーニング予算の40%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-06-21T02:28:37Z)
• Knowledge Inheritance for Pre-trained Language Models [57.51305807391381]
  我々は「知識継承(KI)」という新しい事前学習フレームワークを導入する。 KIは、自己学習と教師指導の両方を組み合わせて、より大きなPLMを効率的に訓練する。 KIは生涯学習と知識伝達を十分に支援できることを示す。
  論文  参考訳（メタデータ） (2021-05-28T14:43:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。