Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Corregir una sentadilla o un burpee parece una tarea casi doméstica para una inteligencia artificial que ya describe imágenes, resume textos y conversa con soltura. FitAQA muestra que ahí empieza el problema.
El banco de pruebas apareció en arXiv el 9 de agosto de 2026 y pone a los grandes modelos multimodales frente a algo menos abstracto que un examen de cultura general, analizar si un ejercicio físico está bien ejecutado o no. La investigación la firman Kaili Zheng, Kaiwen Wang, Xun Zhu, Qingyuan Yang, Chenyi Guo y Ji Wu.
La prueba reunió miles de vídeos, pero los fallos siguieron ahí
FitAQA reúne 2.219 vídeos de 30 ejercicios con el peso corporal y 5.512 evaluaciones. No habla de una intuición aislada, sino de una prueba bastante amplia para medir cómo miran estos sistemas cuando el cuerpo se mueve.
En ese conjunto entran 1.976 clips cortos tomados de QEVD-FIT-300k, EgoExo-Fitness, Kinetics-700 y UCF101, junto con 243 vídeos largos pensados para otra dificultad. Ahí ya no basta con detectar que existe un error, también hay que señalar el momento exacto en que aparece.
Esa diferencia importa porque no es lo mismo decir que una flexión está mal que localizar el segundo preciso en que la espalda pierde alineación.
La clasificación diseñada por los autores ordena 38 errores recurrentes en seis dimensiones, alineación, simetría, estabilidad, coordinación, ritmo y ejecución completa. El objetivo no era solo ver si el modelo acertaba, también comprobar qué tipo de fallo entendía peor.
Los modelos ven el movimiento, pero todavía no lo leen bien
Los resultados dejan una idea bastante clara y poco cómoda para el entusiasmo habitual alrededor de esta clase de sistemas. La precisión en las tareas de percepción visual se mantiene baja y ningún sistema evaluado logra rendir con solidez en las seis dimensiones.
Ahí aparece el cuello de botella central del estudio, la percepción visual. Cuando los investigadores entregan a los modelos la información perceptiva correcta, la capacidad de juzgar la ejecución mejora de forma sustancial.
No falla tanto la respuesta como la mirada.
Eso sitúa el problema en un terreno muy concreto, interpretar posturas, simetrías, transiciones y pequeñas desviaciones corporales resulta más difícil que razonar a partir de una descripción ya depurada. Algo parecido ya asomaba en los límites físicos de la IA generativa, donde el gesto cotidiano revelaba más carencias que muchos test formales.
Detectar un error no basta cuando hay que ponerle hora y segundo
Además de juzgar si una repetición está bien o mal, los modelos actuales muestran una capacidad limitada para localizar con precisión temporal los intervalos en los que se producen los fallos. En un vídeo largo, ese detalle cambia por completo la utilidad práctica de la herramienta.
Para un entrenador, un fisioterapeuta o cualquier usuario que graba su rutina, recibir una alerta vaga sirve de poco. Lo valioso sería saber dónde se rompe el ritmo, cuándo cae la cadera o en qué instante desaparece la estabilidad.
FitAQA también sirve como recordatorio de qué significa en realidad un sistema multimodal. No se trata solo de mezclar texto e imagen, sino de unir percepción y juicio, una combinación que ya había planteado retos en aplicaciones de modelos multimodales mucho menos dependientes del detalle corporal.
Los 243 vídeos largos se incluyeron precisamente para comprobar si el sistema sabía encontrar el instante concreto del fallo. Y ese punto, más que un matiz técnico, marca la distancia entre una demo vistosa y una evaluación que de verdad pueda corregir un movimiento.
El estudio termina con un dato que también funciona como desafío, la base reúne 38 errores recurrentes repartidos en seis dimensiones y ningún sistema consigue cubrirlas todas con solvencia.