体育领域大型模型综述

# 体育领域大模型综述
来源：https://arxiv.org/html/2608.14377
徐一宸 马建哲11脚注标记:1王楚涵 曹忠浩
致谢：这些作者贡献相等。
单位：中国人民大学 单位：中国人民大学 单位：四川大学 单位：北京邮电大学
\{xu\_yichen, majianzhe, liangyuchen, wangwenxuan, qjin\}@ruc\.edu\.cn
wangchuhan51@stu\.scu\.edu\.cn
caozhonghao@bupt\.edu\.cn
陈良宇 王文璇 金琴22脚注标记:2
致谢：金琴和王文璇是通讯作者。
单位：中国人民大学 单位：中国人民大学 单位：中国人民大学

###### 摘要
近年来，体育运动在全球范围内热情高涨，成为促进身体健康、文化交流、社会连接和经济增长的重要力量。大模型，特别是（多模态）大语言模型（M）LLMs的快速发展，展现了重塑跨领域体育理解、分析和交互的变革潜力。本文对体育领域的大模型进行了全面综述，包括（i）针对不同参与群体的任务与应用概览；（ii）体育相关数据集与基准的详细分析；（iii）对当前挑战与未来方向的批判性讨论。我们的目标是为推动大模型驱动的体育智能研究与实际应用奠定基础。我们维护了一个开源GitHub仓库：https://github.com/Road2Redemption/Awesome_Large_Models_In_Sports1。

## 1 引言
近年来，全球体育热情持续高涨，越来越多的人积极参与其中，体育产业也蓬勃发展。为了进一步推动这一发展，现代体育越来越依赖于海量数据支持(103 (https://arxiv.org/html/2608.14377#bib.bib3))，而人工智能（AI）的引入极大地加速了这一趋势(321 (https://arxiv.org/html/2608.14377#bib.bib4))。这一转变的关键支柱是处理和生成体育相关语言的能力，它作为一个重要桥梁，将原始运动数据转化为对参与者和粉丝均有价值的可行见解。体育与AI的早期跨学科研究侧重于自然语言处理和计算机视觉，应用于诸如体育数据处理(49 (https://arxiv.org/html/2608.14377#bib.bib5))和视频分析(178 (https://arxiv.org/html/2608.14377#bib.bib6))等任务。如图1 (https://arxiv.org/html/2608.14377#S1.F1)所示，向大模型时代的过渡——以大语言模型（LLMs）和多模态大语言模型（MLLMs）如GPT\-4(2 (https://arxiv.org/html/2608.14377#bib.bib2))和Gemini(248 (https://arxiv.org/html/2608.14377#bib.bib1))的快速发展为支撑——给体育领域带来了新的机遇和挑战。这些模型以语言智能为核心，不仅能有效生成语言，还能处理多种数据模态，从而在体育领域实现更广泛的应用。以前难以完成的任务，如设计运动员训练计划(234 (https://arxiv.org/html/2608.14377#bib.bib15))、制定教练策略(24 (https://arxiv.org/html/2608.14377#bib.bib14))以及生成体育比赛摘要(100 (https://arxiv.org/html/2608.14377#bib.bib13))，都已通过大模型得到了极大增强。此外，利用其庞大的知识库，这些模型可以生成更全面和个性化的内容(144 (https://arxiv.org/html/2608.14377#bib.bib92))。关于体育领域大模型的论文数量增长迅速，从2020年的1篇增加到2024年的78篇，并在2025年持续增加（参见附录图4 (https://arxiv.org/html/2608.14377#A0.F4)）。

参考图注 图1：大模型在6个体育利益相关群体中展示了强大的应用：运动员与教练员、教练与教育工作者、裁判员、研究人员、粉丝与社交媒体，以及体育产业，支持了多样化的任务。

越来越多的综述文献探讨了AI和深度学习在体育中的应用(321 (https://arxiv.org/html/2608.14377#bib.bib4);320 (https://arxiv.org/html/2608.14377#bib.bib11))。与大模型最相关的工作包括对其在运动推荐(124 (https://arxiv.org/html/2608.14377#bib.bib7))、运动科学与医学(46 (https://arxiv.org/html/2608.14377#bib.bib8);180 (https://arxiv.org/html/2608.14377#bib.bib9))以及体育产业(275 (https://arxiv.org/html/2608.14377#bib.bib10))中应用的研究，以及对语言和多模态模型数据集的综述(286 (https://arxiv.org/html/2608.14377#bib.bib12))。然而，这些研究的范围仍然有限，未能全面涵盖大模型可应用的多样化体育任务和数据集。为确保全面且严谨的综述，我们采用了系统性的滚雪球法(281 (https://arxiv.org/html/2608.14377#bib.bib304))，遵循PRISMA声明(188 (https://arxiv.org/html/2608.14377#bib.bib305))。从上述综述论文出发，我们进行了迭代的前向和后向搜索，以捕捉大模型时代（2020年1月至2025年7月）的最新进展。该过程最终收集了241篇关于体育领域大模型的核心学术论文。详细的选择方法见附录A (https://arxiv.org/html/2608.14377#A1)。我们首先系统地分类和总结了现有大模型在体育领域的应用，涵盖6个关键群体（§2 (https://arxiv.org/html/2608.14377#S2)）。然后，我们回顾并深入分析了体育相关的数据集和基准（§3 (https://arxiv.org/html/2608.14377#S3)）。随后，我们讨论了该领域当前的挑战，最后概述了潜在的未来方向（§4 (https://arxiv.org/html/2608.14377#S4)）。

\{森林\}图2：体育领域大模型的应用、任务和方法分类体系。

## 2 体育领域的大模型应用
大模型的快速增长为其在体育领域的应用带来了巨大机遇。如图2 (https://arxiv.org/html/2608.14377#S1.F2)所示，我们将这些应用分类为一个包含6个利益相关群体和19个具体任务的分类体系。在本节中，我们不仅列出已有文献，还对大模型在每项任务上的影响进行了详细分析，重点在于定义任务、分析技术范式以及总结常用评估指标。有关与每项任务相关的具体工作的全面评述，请参阅附录B (https://arxiv.org/html/2608.14377#A2)。

### 2.1 面向运动员与教练员的应用
**锻炼与训练计划。** 大模型帮助运动员和教练员制定锻炼处方，将运动科学转化为实践以提升表现(196 (https://arxiv.org/html/2608.14377#bib.bib16);263 (https://arxiv.org/html/2608.14377#bib.bib17))。由LLMs驱动的最新AI教练显著促进了个性化训练计划的生成，涵盖了从一般体重管理(221 (https://arxiv.org/html/2608.14377#bib.bib24))到慢性病指导(184 (https://arxiv.org/html/2608.14377#bib.bib53))的广泛健康状况和健身目标。如表1 (https://arxiv.org/html/2608.14377#S2.T1)所示，在YourSkatingCoach数据集(36 (https://arxiv.org/html/2608.14377#bib.bib233))上，一个微调过的T5模型(206 (https://arxiv.org/html/2608.14377#bib.bib239))达到了0.27的BLEU\-4分数，而一个从头训练的普通Transformer(260 (https://arxiv.org/html/2608.14377#bib.bib306))仅达到0.04(300 (https://arxiv.org/html/2608.14377#bib.bib34))。这突显了LLMs利用预训练知识解决体育数据稀缺问题，并擅长开放式生成，性能优于传统的基于规则或较小的深度学习模型。此外，还探索了检索增强生成（RAG）(314 (https://arxiv.org/html/2608.14377#bib.bib39))和代理范式(256 (https://arxiv.org/html/2608.14377#bib.bib30))等策略以增强可靠性和个性化。常用评估指标包括BLEU\-4、METEOR和ROUGE\-L。

**运动损伤与康复。** 大模型协助运动员和教练员管理运动损伤的全生命周期，涵盖预防、诊断和康复，应用范围从提供预防建议(326 (https://arxiv.org/html/2608.14377#bib.bib54))扩展到辅助手术治疗的临床决策(216 (https://arxiv.org/html/2608.14377#bib.bib63))。虽然LLMs拥有骨科和康复所需的跨学科知识(165 (https://arxiv.org/html/2608.14377#bib.bib59))，但目前大多数应用依赖于直接部署预训练大模型进行问答（QA）和分类。深度技术集成仍然有限，仅有早期对GaLore(319 (https://arxiv.org/html/2608.14377#bib.bib307))等高效微调方法的探索，用于定制运动医学模型326 (https://arxiv.org/html/2608.14377#bib.bib54)。这表明该领域尚处于起步阶段，缺乏统一的评估指标。

**运动心理学与行为。** 运动心理学通过行为干预来提升运动员的训练表现和心理健康。近期的LLMs应用范围从一般认知评估(329 (https://arxiv.org/html/2608.14377#bib.bib69))到针对特定行为问题的定向干预(162 (https://arxiv.org/html/2608.14377#bib.bib67))。最新进展超越了文本生成，通过整合来自可穿戴传感器（如心率和IMU信号）的多模态生理数据来提供个性化干预(105 (https://arxiv.org/html/2608.14377#bib.bib73);168 (https://arxiv.org/html/2608.14377#bib.bib70))。然而，任务定义仍然模糊，该领域缺乏标准化基准，需要进一步探索。

表1：四个代表性体育任务的建模范式定量比较。
数据集 模型 架构 范式 指标 表现
锻炼与训练计划 YourSkatingCoach(36 (https://arxiv.org/html/2608.14377#bib.bib233)) MAAIG(300 (https://arxiv.org/html/2608.14377#bib.bib34)) T5 (预训练)(206 (https://arxiv.org/html/2608.14377#bib.bib239)) 微调 BLEU\-4 0\.27
Transformer(260 (https://arxiv.org/html/2608.14377#bib.bib306)) 普通Transformer 从头训练 0\.04
动作定位与识别 SoccerNet\-v2(52 (https://arxiv.org/html/2608.14377#bib.bib247)) Soccer\-CLIP(233 (https://arxiv.org/html/2608.14377#bib.bib148)) CLIP(205 (https://arxiv.org/html/2608.14377#bib.bib308)) 微调 t\-AmAP 75\.7
COMEDIAN(53 (https://arxiv.org/html/2608.14377#bib.bib309)) 时空Transformer 从头训练 73\.1
Llama 3\.1\-8B(78 (https://arxiv.org/html/2608.14377#bib.bib236)) 带文本解说的LLM(28 (https://arxiv.org/html/2608.14377#bib.bib153)) 少样本学习 60\.8
体育动作质量评估 FineFS(109 (https://arxiv.org/html/2608.14377#bib.bib267)) Beats\-to\-Scores(264 (https://arxiv.org/html/2608.14377#bib.bib169)) 视频\-音频（V\-A）融合Transformer 从头训练 Spearman’sρ\\rho 0\.88
InternVL2(38 (https://arxiv.org/html/2608.14377#bib.bib268)) InternViT \+ MLP \+ InternLM2 微调 0\.86
Qwen2\-VL(268 (https://arxiv.org/html/2608.14377#bib.bib276)) ViT \+ MLP \+ Qwen2 微调 0\.75
体育解说生成 SoccerNet\-Caption(173 (https://arxiv.org/html/2608.14377#bib.bib107)) MatchVoice(209 (https://arxiv.org/html/2608.14377#bib.bib90)) ViT \+ 聚合器 & MLP \+ Llama 3 微调 CIDEr 38\.42
SoccerComment(136 (https://arxiv.org/html/2608.14377#bib.bib101)) MLLM \+ 记忆单元 微调 36\.58
SN\-Caption(173 (https://arxiv.org/html/2608.14377#bib.bib107)) 编码器\-解码器Transformer 从头训练 23\.74
Video\-LLaMA(311 (https://arxiv.org/html/2608.14377#bib.bib284)) V\-A编码器 \+ Q\-Former \+ LLaMA 零样本学习 3\.44

### 2.2 面向教练与教育工作者的应用
**动作定位与识别。** 体育中的动作定位与识别涉及对细粒度球员移动或事件进行时间定位和分类，为下游分析提供可靠的比赛事实(320 (https://arxiv.org/html/2608.14377#bib.bib11))。传统方法依赖于从头训练特定的深度学习架构，而最近的MLLMs则利用预训练对齐来增强语义理解。如表1 (https://arxiv.org/html/2608.14377#S2.T1)所示，在SoccerNet\-v2动作定位基准(52 (https://arxiv.org/html/2608.14377#bib.bib247))上，微调过的Soccer\-CLIP达到了最先进的75\.7%t\-AmAP(233 (https://arxiv.org/html/2608.14377#bib.bib148))，略高于专门设计的Transformers (73\.1%)(53 (https://arxiv.org/html/2608.14377#bib.bib309))，凸显了预训练方法的重要性。相比之下，仅依赖以语言为中心的LLMs通过文本解说提示得到的结果显著较低（60\.8%）(28 (https://arxiv.org/html/2608.14377#bib.bib153))，这强调了细粒度视觉对齐的必要性，而不仅仅是注入文本化的视觉信息。常用指标包括mAP、top\-1准确率和F1分数。

**体育动作质量评估。** 体育动作质量评估（AQA）量化运动动作的执行情况，用于教练指导和裁判评分(323 (https://arxiv.org/html/2608.14377#bib.bib168);320 (https://arxiv.org/html/2608.14377#bib.bib11))。方法论已从简单回归发展到微调MLLMs进行个性化评估(58 (https://arxiv.org/html/2608.14377#bib.bib170))和开发统一代理(247 (https://arxiv.org/html/2608.14377#bib.bib171))。在FineFS基准(109 (https://arxiv.org/html/2608.14377#bib.bib267))上（参见表1 (https://arxiv.org/html/2608.14377#S2.T1)），专门设计的小型Transformers目前通过显式对齐视听特征(264 (https://arxiv.org/html/2608.14377#bib.bib169))，其性能优于通用MLLMs（0\.88 对比 0\.86 Spearman’sρ\\rho）。这表明高精度评分仍然依赖于特定领域的传统结构设计。此外，MLLMs内部的架构选择仍然至关重要，如InternVL2(38 (https://arxiv.org/html/2608.14377#bib.bib268))和Qwen2\-VL268 (https://arxiv.org/html/2608.14377#bib.bib276)等模型所示；模型设计和训练细节可能导致该任务性能的显著差异。常用指标包括斯皮尔曼等级相关系数、均方误差和准确率。

**体育战术与策略。** 体育战术与策略分析模型利用大模型分析场上互动，提取可操作的战术模式(26 (https://arxiv.org/html/2608.14377#bib.bib154))。当前方法采用基于大模型的框架进行战术分析和可视化（处理结构化和非结构化数据）(106 (https://arxiv.org/html/2608.14377#bib.bib160);171 (https://arxiv.org/html/2608.14377#bib.bib157))，以及战术探索与设计(151 (https://arxiv.org/html/2608.14377#bib.bib155))。技术上，当前研究主要依赖于使用预训练大模型的提示工程，而非广泛的后训练，原因是高质量战术数据集的稀缺。这限制了战术发现的深度仅能达到冻结基础模型的能力，表明该领域仍处于初级阶段，需要未来进一步探索。