问题
自由重量训练者在无人指导时无法判断自己的动作是否标准——背有没有弯、髋角够不够，全靠感觉。信号 1 的发布者原话是 "a tool like this gives people data to assess their form and improve over time"，即这类用户想要的是客观数据而不是主观判断。信号中的 pain 为 3，属于“有用但不致命”的痛点。
目标用户
在家或普通健身房训练的自由重量训练者（硬拉、深蹲等复合动作），没有私教但想避免受伤、提高动作质量。属于大众健身消费市场，基数大但付费习惯不确定——信号中没有提供任何规模或付费数据。
解决方案
- 杠铃片分割（SAM 3.1）定位器械轨迹
- 关键点姿态估计（ViTPose+ Large）计算髋部铰链角度
- 躯干弯曲分类（Gemma 4 26B）输出“弓背”概率
- 历史记录对比，展示动作随时间的改进
- AI 的角色：完全替代人工教练完成几何测量与动作分类，把主观“看起来对不对”变成数字和概率
为什么是现在
两个信号都是近两天发布的、用新开源视觉模型解决几何测量问题的产品：SAM 3.1 做分割、ViTPose+ Large 做姿态、Gemma 4 26B 做分类，RightWayUp 甚至以 Apache-2.0 开源了单帧旋转检测模型。这些组件现在都可以免费组合，小团队第一次能用低成本把“客观动作数据”做成产品。
MVP 范围
第一版做：单一动作（硬拉）、用户上传手机侧面视频、输出髋部铰链角度、躯干弯曲概率（如 Gemma 4 26B 分类）和 2-3 条文字改进建议；保留历史记录做前后对比。明确不做：实时 AR 纠正、多动作库、教练撮合、可穿戴设备集成、CCTV 视频方向检测（那是另一群用户）。
风险
付费意愿未验证：信号中 willingness_to_pay 为 none，消费级健身工具收费难。 技术精度：姿态估计对拍摄角度敏感，侧面单机位是硬约束，斜角或多人场景会失效。 平台与模型依赖：依赖 SAM 3.1、ViTPose+ Large 等开源模型的持续可用性和版本演进。 在位者风险：通用健身 App 可能直接内置类似姿态检测功能。 需求方向发散：另一个信号（RightWayUp，CCTV 旋转检测）显示同类视觉技术同时被用于安防场景，说明“姿态/角度检测”的落地方向尚不收敛。
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
Hugging Face 论坛 · Show and Tell10月2日新品发布▲ 00 条评论
“We needed to spot CCTV cameras that had been knocked or mounted crooked from a single frame, so we trained a model for it, and we’ve now opened it under Apache-2.0.”
Teams need to detect how far an image is rotated (including 360° roll on crooked CCTV cameras) from a single frame.原文
Hacker News · Show HN10月1日新品发布▲ 61 条评论
“In short, a tool like this gives people data to assess their form and improve over time.”
A computer vision tool has been built that evaluates deadlift form by segmenting the barbell, measuring hip hinge angle via pose estimation, and classifying back rounding to give people data to assess and improve their form.原文