今年 4 月，Keep 发布 App 9.0 并公布 Keepace.ai 时，MoveBench 已同步建立并投入模型评测，此次为 Keep 首次系统对外介绍其设计方法、评分规则和评测结果。

在研发 Keepace.ai 的过程中，Keep 注意到，行业现有评测基准难以完整衡量AI教练的综合执行能力。通用领域的 MMLU、C-Eval 等基准主要考察模型对静态知识的理解、检索和复述，运动垂类评测 SportQA 则更多聚焦竞技规则。上述评测可以判断模型是否掌握相关知识，但无法完整评估模型能否根据用户的身体状态作出安全、可执行的运动决策。

基于这一行业空白，Keep 联合首都体育学院运动健康领域专家团队设计了 MoveBench。据 Keep 介绍，MoveBench 包含 809 道评测题目和 5012 条评分细则，是国内首个以 AI 教练综合执行能力为主要考察指标的benchmark。Keep 希望通过公开评测规则和榜单排名，为行业提供可参考的能力标准，也为 Keepace.ai 的后续迭代建立可量化的优化目标。

MoveBench 围绕 AI 教练的三项核心任务构建了独立的评测模块，以考察受测模型，这三项任务具体为：

• 训练课程生成：个性化定制课程设计，基于用户运动水平、时间要求、场地器械、损伤状态等信息设计出的可执行计划；
• 运动数据解读：处理用户复杂的运动、生理数据，能够甄别和筛选异常数据，并提供科学、合理的训练建议；
• 专业知识问答：站在用户的角度理解问题，提供高相关性的解答，并进一步阐释其深层原理。

为覆盖上述任务，考察题库共包含 499 道开放问答题、197 道多选题和 113 道单选题，共计 809 道题目。题库数据基于 Keep 平台真实用户数据，经清洗、脱敏处理后，结合 BMI 分布、年龄构成、伤病比例及运动目标等特征进行抽样构建，严格遵循个人信息安全与隐私保护要求。

除题目设计外，MoveBench 还通过评分机制强化运动安全要求。评测采用三层架构，优先级依次为安全层、专业层和体验层。其中，安全层实行一票否决制：只要触发安全红线，无论其他维度得分多高，直接强制扣分。Keep 认为，运动健康场景的容错率接近零，评测体系本身必须把安全置于最高优先级。

针对开放题，MoveBench 采用 Gemini、Claude、GPT 组成的裁判委员会，按 Rubric 独立打分，当三位裁判中有两位及以上判定存在安全风险时，直接触发最高惩罚机制。

Keep 还参考 OpenAI HealthBench 的评测方法，对人类专家与 AI 裁判的评分一致性进行了验证。结果显示，人类专家对模型答案的评分一致性达 80%-86%，三个 AI 裁判模型的一致率为 62%-76%，说明该评测框架具有较好的稳定性和可信度，可满足学术级评测要求。

据 Keep 披露，在 MoveBench 框架下，团队对 Claude-4.6 Opus、GPT-5.5、Doubao Seed-2.0 Pro、DeepSeek V4 Pro、Qwen3.5-397B 及 Grok-4.1 等主流通用大语言模型开展了横向评测，通过多维度、分方向的评测设计，系统刻画各模型的能力表现、优势领域与相对短板。结果显示，Keepace.ai 综合得分达到 0.943，与Claude-4.6 Opus表现相当；在训练课程生成及运动知识问答两个任务中分别取得0.951 和 0.917 的得分，均位列所有参测模型第一，评测结果验证了 在高专业门槛、高安全要求的运动健康场景中具备显著的垂直领域优势。

在基准建设过程中，团队同步形成了一篇学术论文及两项技术专利，分别聚焦“基于运动健康理论的 benchmark 题目自动化生成流程”与“基于大模型的自动化 benchmark 评测流程”。Keep 希望以此为起点，与行业共同推动运动 AI 围绕安全性、专业性与用户体验，建立更具行业共识的能力评估框架。

从 4 月公布 Keepace.ai，到 8 月上线超级 AI 会员、完成大模型备案并系统披露 MoveBench，Keep 正在同步推进底层模型、评测标准和产品应用。未来，Keep 将继续投入运动健康垂类 AI 研发，并通过公开评测与真实应用，持续检验模型的安全性与专业能力，打磨更自然、个性化且可信赖的运动体验。