谷歌研究团队于 7 月 9 日在其官方博客上公布了名为 SensorFM 的可穿戴健康基础模型的最新进展。该模型在 35 项健康相关任务的测试中，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 万名经过授权同意的参与者所提供的可穿戴设备数据。这些数据采集自 2024 年 9 月至 2025 年 9 月期间，横跨 100 多个国家和地区，涵盖了超过 20 种不同型号的 Fitbit 和 Pixel Watch 设备。经过对每位参与者数周数据的抽取和处理，共形成了超过 20 亿小时，即超过 1 万亿分钟的信号数据。
该模型处理的输入信息包括 34 种 1 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（皮肤电活动）、皮肤温度以及高程计这五种传感器。这些数据旨在捕捉心率、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在 24 小时内的变化情况。
在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同的尺寸。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 相关系数则提高了 21%。
在 35 项用于评估的判别式健康任务中，SensorFM-B 在其中 33 项任务上取得了胜利。研究还指出，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，覆盖了心血管健康、代谢风险、心理健康、睡眠质量、人口统计学信息以及生活方式等六大类。
研究团队还构建了一个名为“classroom”的智能体系统，该系统利用协作与竞争的语言模型（LLM）智能体，通过迭代的方式生成、测试和优化推理代码。在此过程中，该系统探索了超过 30,000 种不同的方案。最终生成的预测头在 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。用户可以通过世界杯官网了解更多关于该模型的详细信息。
