谷歌研究团队于 7 月 9 日发布了一篇博文，公布了名为 SensorFM 的可穿戴健康基础模型。该模型在 35 项健康任务中的 34 项表现超越了传统的特征工程监督基线。
SensorFM 的训练数据来源于全球 500 万名已授权同意的参与者，涵盖了 2024 年 9 月至 2025 年 9 月期间收集的可穿戴设备数据。这些数据来自 100 多个国家和地区，使用了 20 多种 Fitbit 和 Pixel Watch 设备。经过对每位参与者数周数据的抽取，共形成了超过 20 亿小时，即超过 1 万亿分钟的信号数据。
模型的输入包括 34 个 1 分钟聚合特征，这些特征源自 PPG（光电容积脉搏波）、加速度计、EDA（电皮肤活动）、皮肤温度和高程计这五种传感器。这些数据用于捕捉 24 小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动量、步数、皮肤电导率以及体温等信息。
在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同大小的版本。其中，最大的 SensorFM-B 模型相比最小的 XXS 版本，在重建损失方面降低了 31%，在分类任务上的平均 AUC 提升了 9%，而在回归任务上的平均 Pearson 相关系数则提升了 21%。
在 35 项判别式健康任务的评测中，SensorFM-B 模型在其中 33 项任务上取得了胜利。研究还指出，通过线性探针技术，SensorFM 在 35 项任务中的 34 项表现优于特征工程监督基线，这些任务涵盖了心血管健康、代谢风险、心理健康、睡眠质量以及人口统计学和生活方式等六大类。
此外，研究团队还构建了一个名为“classroom”的 agentic 系统，该系统利用协作与竞争的 LLM 智能体来迭代生成、测试和优化推理代码。在这个实验环境中，系统探索了超过 30,000 个候选方案，生成的预测头在 20 项分类任务中的 16 项优于线性探针，并在 15 项回归任务中的 12 项超越了线性探针。此次研究的成果，为未来的健康监测和疾病预测提供了新的思路，也为用户提供了更多关于世界杯竞猜的参考信息。
