arXiv cs.AI· Yitong Li, Jiang Bian, Jingling Wang, Pan Ding, Chengying Gu·· 14 小时前AI 评分31
MoveBench：面向运动与健康指导的大语言模型评分标准基准
MoveBench: A Rubric-Based Benchmark for Evaluating Large Language Models in Sports and Health Coaching
AI 导读
MoveBench 是首个专门评估 LLM 在运动与健康指导场景表现的基准框架，包含选择题与开放式问答，并配有强调安全合规、科学性与训练逻辑的结构化评分标准。研究用 809 道题、5,012 条评分细则评测了 15 个 LLM，结果显示模型在安全意识、结构化训练方案设计和个性化能力上差异显著，暴露出"知道"与"做到"之间的差距。
正文 · AI 翻译
摘要：尽管大语言模型（LLM）取得了快速进展，但由于缺乏领域特定的评估基准，其在体育与健康领域的部署仍具有高风险。现有的通用基准（如 MMLU 和 HELM）主要评估广泛的知识与推理能力，但未能捕捉关键的领域需求，例如运动安全性、生理适宜性、个性化以及可操作的指导质量。这一差距在健身与健康应用中尤为令人担忧，因为错误或不安全的建议可能导致身体伤害。为解决这一局限，我们推出了 MoveBench，这是首个专为评估体育与健康指导领域 LLM 而设计的综合基准框架。该基准整合了异构的任务形式，包括多项选择题（MCQ）和开放式问答（OpenQA），以真实用户场景为基础，并配以强调安全合规性、科学有效性和训练逻辑的结构化评分标准。通过对 15 个不同 LLM 在 809 个问题、5,012 条评分标准级准则上的大规模评估，我们的结果揭示了显著的性能差异，尤其是在安全意识、结构化方案设计和个性化能力方面，凸显了“知”与“行”之间的关键差距。我们的工作为体育与健康 LLM 应用建立了基础性评估标准，并为推进安全、可靠且具备上下文感知能力的 AI 驱动指导系统提供了可复现的框架。开放资源见 此 https URL。
| 评论： | 2 张图。140 个开放问题资源：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.26185 [cs.AI] |
| （或 arXiv:2610.26185v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.26185 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Yitong Li [查看邮箱]
[v1]
2026 年 10 月 19 日星期一 11:16:18 UTC（195 KB）
[v2]
2026 年 10 月 26 日星期一 03:44:10 UTC（195 KB）
来源：arXiv cs.AI · arxiv.org