谷歌研究团队在 7 月 9 日发布的一篇博文中，公布了其最新研发的可穿戴健康基础模型 SensorFM。该模型在 35 项健康相关任务的评估中，有 34 项的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范围内 500 万名已授权同意的参与者，这些数据涵盖了 2024 年 9 月至 2025 年 9 月这十二个月的采集周期，涉及 100 多个国家和地区，以及超过 20 种不同型号的 Fitbit 和 Pixel Watch 设备。在对每位参与者数周的数据进行采样后，最终汇集了超过 20 亿小时，即超过 1 万亿分钟的传感器信号数据。

该模型接收的输入信息包括 34 个一分钟聚合特征，这些特征来源于 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。这些数据用于追踪 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、皮肤电导以及体温等生理指标。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同尺寸的版本。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（曲线下面积）提升了 9%，而在回归任务上的平均 Pearson 相关系数则提高了 21%。

在针对 35 项判别式健康任务的测试中，SensorFM-B 版本在其中 33 项任务上取得了胜利。研究结果还显示，通过线性探针方法，SensorFM 在 35 项任务中的 34 项均优于特征工程监督基线。这些任务的范围广泛，涵盖了心血管健康、代谢风险、心理健康、睡眠质量、人口统计学特征以及生活方式等六大类别。

谷歌团队还构建了一个名为“classroom”的智能体系统，该系统利用协作和竞争的语言模型（LLM）智能体，对推理代码进行迭代生成、测试和优化。在该实验环境中，该系统探索了超过 30,000 个潜在的解决方案。最终，由该系统生成的预测头在 20 项分类任务中的 16 项表现优于线性探针，在 15 项回归任务中的 12 项也超越了线性探针。这项技术的发展，让人不禁联想到未来在监测健康状况时，其潜力或许能与足球世界杯赛场上的精彩表现相媲美。