論文の概要: Keepace.ai: A Technical Report on a Large Language Model for Sports and Health
- arxiv url: http://arxiv.org/abs/2610.38249v2
- Date: Fri, 30 Oct 2026 12:29:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.390661
- Title: Keepace.ai: A Technical Report on a Large Language Model for Sports and Health
- Title（参考訳）: Keepace.ai:スポーツと健康のための大規模言語モデルに関する技術報告
- Abstract要約: Keepace (Keepace.ai) はQwen3.5-27Bで製造されたドメイン仕様のLLMである。
本報告では、Keepaceの設計、データパイプライン、安全性第一の評価フレームワーク、評価結果を要約する。
- 参考スコア（独自算出の注目度）: 19.159143267062063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models hold promise for delivering safe, scientifically grounded, and personalized exercise guidance at scale, yet the sports-and-health domain still lacks curated training corpora and rigorous evaluation benchmarks. Keepace (Keepace.ai) is a domain-specialized LLM built on Qwen3.5-27B through post-training, currently optimized for Chinese-language exercise guidance across three tasks: workout plan generation, sports-and-health knowledge QA, and personal sports data analysis. In internal rubric-based evaluations designed with domain experts, Keepace outperforms its base model and larger general-purpose baselines, with the most pronounced improvements in exercise safety, boundary compliance, structured output completeness, and scientific accuracy. This report summarizes the current design, data pipeline, safety-first evaluation framework, and evaluation results of Keepace.
- Abstract（参考訳）: 大規模な言語モデルは、安全で科学的に基礎があり、個人化されたエクササイズガイダンスを大規模に提供するという約束を持っていますが、スポーツと健康の領域では、厳格な評価ベンチマークとトレーニングコーパスが不足しています。
Keepace (Keepace.ai)はQwen3.5-27Bをベースとしたドメイン特化LDMで、現在、ワークアウトプラン生成、スポーツ・アンド・ヘルス知識QA、個人スポーツデータ分析の3つのタスクで中国語の運動指導に最適化されている。
ドメインの専門家によって設計された内部ルーリックベースの評価では、Keepaceはベースモデルとより大きな汎用ベースラインを上回り、エクササイズ安全性、バウンダリコンプライアンス、構造化出力完全性、科学的正確性が最も顕著に向上している。
本報告では、Keepaceの設計、データパイプライン、安全性第一の評価フレームワーク、評価結果を要約する。
関連論文リスト
- MoveBench: A Rubric-Based Benchmark for Evaluating Large Language Models in Sports and Health Coaching [13.939461550860843]
MoveBenchは、スポーツおよびヘルスコーチングにおける大規模言語モデル(LLM)を評価するための包括的なベンチマークフレームワークである。
以上の結果から,特に安全性意識,構造化プログラム設計,パーソナライゼーション能力において,大幅な性能変動が明らかとなった。
我々の研究は、スポーツと健康のLLMアプリケーションの基礎的評価基準を確立し、安全で信頼性があり、コンテキスト対応のAI駆動型コーチングシステムを改善するための再現可能なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-10-19T11:16:18Z) - SALUTE: Benchmarking and Adapting LLMs for the Defense Domain [17.382683783537768]
本稿では,防衛領域におけるLSMのベンチマークと適応のためのエンドツーエンドフレームワークであるSALUTEを提案する。
SalUTEは、Salute-Corpus、Salute-Conv、Salute-Pref、Salute-Bench、Salute-LLMを統合している。
実験では、Salute-LLMは強力な防御ドメインのパフォーマンスを達成し、競争力のある汎用能力を維持している。
論文 参考訳（メタデータ） (2026-09-14T04:38:34Z) - Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training [8.029447669362328]
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。
論文 参考訳（メタデータ） (2026-07-02T12:53:41Z) - VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring [60.53395558502203]
Vision-Language Embodied Safety Agent (VLESA)は、自我中心のビデオから人間の活動を監視する。
VLESAは、コンテキストに応じて同一のアクションが安全または危険である意図に依存した安全性に対処する。
目標を共同で推測し,映像から将来の行動を予測するための意図-行動予測エージェントを提案する。
論文 参考訳（メタデータ） (2026-06-02T17:42:17Z) - From Knowledge to Inference: Scaling Laws of Specialized Reasoning on GlobalHealthAtlas [1.8594711725515678]
textbfGlobalHealthAtlasは15の公衆衛生ドメインと17の言語にまたがる280,210のインスタンスからなる大規模多言語データセットである。
本稿では,大規模言語モデル (LLM) による検索,複製,エビデンスグラウンドチェック,ラベル検証を併用して構築・品質制御パイプラインを提案する。
論文 参考訳（メタデータ） (2026-01-31T03:29:30Z) - Medical Red Teaming Protocol of Language Models: On the Importance of User Perspectives in Healthcare Settings [48.096652370210016]
本稿では,患者と臨床医の両方の視点で医療領域に適した安全評価プロトコルを提案する。
医療用LLMの安全性評価基準を3つの異なる視点を取り入れたレッドチームで定義した最初の研究である。
論文 参考訳（メタデータ） (2025-07-09T19:38:58Z) - LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。
ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
論文 参考訳（メタデータ） (2025-02-28T18:59:54Z) - Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。
本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
論文 参考訳（メタデータ） (2025-02-06T13:23:53Z) - Tulu 3: Pushing Frontiers in Open Language Model Post-Training [94.14908801708049]
トゥル3(Tulu 3)は、最先端の訓練後モデルである。
Tulu 3はLlama 3.1ベースモデルをベースにしており、Llama 3.1、Qwen 2.5、Mistral、さらにGPT-4o-mini、Claude 3.5-Haikuといったクローズドモデルにも勝っている。
論文 参考訳（メタデータ） (2024-11-22T18:44:04Z)
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。