Imagine que você está observando um amigo tentar aprender um novo passo de dança através de um vídeo. Você consegue perceber facilmente se ele está fazendo certo ou errado, mas explicar exatamente por que o joelho dele está dobrado da maneira errada ou por que o ritmo dele está fora de compasso exige uma mistura de olhos aguçados e conhecimento específico. Este é o cerne da Avaliação de Qualidade de Ação (AQA - Action Quality Assessment). Embora os computadores tenham se tornado muito bons em simplesmente reconhecer qual ação está acontecendo (como gritar "Polichinelo!"), eles historicamente tiveram dificuldade em julgar o quão bem ela está sendo executada. Recentemente, um novo tipo de cérebro de computador superinteligente chamado Modelo de Linguagem Grande Multimodal (MLLM) chegou. Esses modelos conseguem ver vídeos e ler textos, prometendo agir como um treinador pessoal que não apenas diz "bom trabalho", mas que pode realmente criticar a sua forma. Mas aqui está a grande questão: esses treinadores de IA estão realmente prontos para nos ajudar ou estão apenas chutando?

É exatamente isso que o artigo FitAQA se propõe a descobrir. Os pesquisadores, trabalhando com especialistas em ciência do esporte, construíram uma enorme "aula de educação física" para a IA testar suas habilidades de treinamento. Eles não pediram apenas que a IA desse uma nota; eles criaram um checklist detalhado de 3 219 exercícios de peso corporal (como flexões e agachamentos) e decomporam a "boa forma" em seis categorias específicas: alinhamento, simetria, estabilidade, coordenação, tempo e completude. Eles então alimentaram a IA com 2.219 vídeos e mais de 5.500 perguntas para responder. Os resultados foram um choque de realidade: embora esses modelos de IA sejam impressionantes, eles são atualmente terríveis em detectar os detalhes minúsculos e cruciais que tornam um exercício seguro e eficaz. Eles frequentemente perdem os erros inteiros ou não conseguem dizer quando no vídeo o erro aconteceu. O estudo sugere que o principal problema não é que a IA não conheça as regras do fitness; é que ela está lutando para ver a evidência visual claramente o suficiente para aplicar essas regras.

O Grande Teste de Academia da IA

Pense no estado atual da compreensão de vídeo pela IA como um estudante que leu todos os livros didáticos de física, mas nunca viu uma bola quicar de verdade. Ele conhece a teoria, mas não consegue prever onde a bola vai cair. Os autores deste artigo perceberam que, para testar se a IA pode realmente ser um treinador de fitness, precisavam de um teste que não fosse apenas sobre adivinhar uma pontuação final. Eles precisavam de um teste que perguntasse: "Você viu o erro?", "Você sabe que é um erro?" e "Exatamente quando isso aconteceu?".

Para fazer isso, eles criaram o FitAQA, um benchmark (um padrão de teste) que é como uma enorme academia digital. Em vez de olhar apenas para um tipo de exercício, eles cobriram 30 movimentos diferentes, desde cardio de corpo inteiro, como polichinelos, até movimentos de força do core, como o abdominal reverso. Mas a verdadeira magia está em como eles organizaram os erros. Em vez de criar uma lista de erros separada para cada exercício (o que seria caótico), eles trabalharam com especialistas humanos para criar uma "Taxonomia de Erros" unificada.

Imagine um dicionário de erros que se aplica a quase tudo. Quer você esteja fazendo um agachamento ou uma flexão, os erros caem em seis baldes:

• Alinhamento: Seus membros e articulações estão alinhados corretamente?
• Simetria: O seu lado esquerdo está fazendo a mesma coisa que o direito?
• Estabilidade: Você está balançando ou tremendo incontrolavelmente?
• Coordenação: Seus braços e pernas estão se movendo juntos em harmonia?
• Tempo: O ritmo está muito rápido ou muito lento?
• Completude: Você completou toda a amplitude de movimento ou interrompeu o movimento antes da hora?

Eles encontraram 38 tipos específicos de erros recorrentes através dessas categorias. Por exemplo, "Postura da Cabeça para Frente" ou "Amplitude de Movimento Insuficiente". Isso permitiu que eles testassem a capacidade da IA de detectar esses padrões específicos em diferentes exercícios, em vez de apenas memorizar que "um agachamento com joelhos ruins é ruim".

Os Três Níveis do Teste

Os pesquisadores não pediram apenas que a IA desse uma nota final. Eles dividiram a tarefa em três níveis, como um videogame com dificuldade crescente:

1. Percepção (Os Olhos): A IA recebe um vídeo e lhe perguntam: "O que você vê acontecendo com os quadris?". Ela tem que escolher entre descrições neutras como "Os quadris permanecem abaixo da linha" ou "Os quadris sobem acima da linha". Isso testa se a IA consegue realmente ver as partes do corpo se movendo corretamente.
2. Julgamento (O Cérebro): Uma vez que a IA "vê" o movimento, pergunta-se: "Este movimento de quadril está correto?". Isso requer combinar o que ela viu com seu conhecimento das regras de fitness.
3. Ancoragem Temporal (O Cronômetro): Este é o nível mais difícil. Pergunta-se à IA: "Exatamente quando, neste vídeo de 30 segundos, a pessoa falhou em levantar os quadris o suficiente?". Ela tem que apontar os segundos específicos onde o erro ocorreu.

Os Resultados: A IA é um Mau Treinador (Por Enquanto)

Quando rodaram o teste com os modelos de IA mais avançados disponíveis (incluindo grandes nomes como GPT-5.5, Gemini e vários modelos de código aberto), os resultados foram surpreendentes. Os modelos de IA geralmente tiveram um desempenho apenas ligeiramente superior ao de um palpite aleatório.

• Os Olhos são Fracos: Os modelos tiveram dificuldades significativas com a tarefa de Percepção. Mesmo os melhores modelos acertaram apenas cerca de 54% dos detalhes visuais. Isso significa que a IA muitas vezes não conseguia dizer se um joelho estava dobrado demais ou se uma coluna estava reta.
• O Cérebro está Confuso: Como a IA não conseguia ver os detalhes bem, seu Julgamento também foi ruim. Ela tendia a ser excessivamente otimista, muitas vezes dizendo que um exercício estava "correto" mesmo quando não estava.
• O Cronômetro está Quebrado: Para a tarefa de Ancoragem Temporal, os modelos foram terríveis em localizar o momento exato em que um erro aconteceu. Eles frequentemente supunham que o vídeo inteiro era o erro, ou perdiam o erro completamente.

A descoberta mais interessante veio de um "experimento de controle". Os pesquisadores perguntaram: E se nós apenas dissermos à IA exatamente o que ela viu e, então, pedirmos para ela julgar?

Quando deram à IA a descrição visual correta (a resposta de "Percepção") e depois pediram para ela fazer o "Julgamento", o desempenho da IA disparou. Por exemplo, a capacidade de um modelo de detectar erros saltou de uma pontuação baixa para mais de 94% de precisão. Isso sugere que a IA na verdade conhece as regras do fitness e consegue raciocinar bem, mas está falhando porque não consegue ver a evidência visual claramente o suficiente para aplicar essas regras. É como um treinador brilhante que está usando óculos escuros muito escuros para enxergar a forma do atleta.

A Conclusão

O artigo conclui que, embora os Modelos de Linguagem Grandes Multimodais sejam ferramentas poderosas para entender conteúdos gerais de vídeo, eles ainda não estão prontos para serem treinadores de fitness confiáveis. Eles têm dificuldade em detectar os detalhes sutis e relevantes para a qualidade do movimento humano e não conseguem localizar precisamente quando os erros acontecem. Os autores sugerem que, antes de podermos confiar em uma IA para corrigir nossa forma de treino, precisamos resolver o problema da percepção visual — ensinar a IA a ver os detalhes minúsculos de postura e movimento tão claramente quanto um especialista humano faz. Até lá, é melhor manter um treinador humano no circuito.