谷歌研究团队于 7 月 9 日发布了一篇博文，宣布了其最新的可穿戴健康基础模型 SensorFM。该模型在 35 项健康相关任务中的 34 项上，表现超越了传统的特征工程监督基线。

SensorFM 的预训练过程使用了来自全球 500 万名已授权参与者的可穿戴设备数据。这些数据采集于 2024 年 9 月至 2025 年 9 月期间，涵盖了 100 多个国家和地区，以及 20 多种不同型号的 Fitbit 和 Pixel Watch 设备。经过对每位参与者数周数据的提取，共计形成了超过 20 亿小时，即超过 1 万亿分钟的传感器信号。

该模型接受的输入包括 34 种聚合了 1 分钟的特征。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。它们能够反映 24 小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动和步数、皮肤电导以及体温等信息。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同的规模。与最小的 XXS 版本相比，最大的 SensorFM-B 模型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%，在回归任务上的平均 Pearson 相关系数提升了 21%。

在 35 项判别式健康任务的评估中，SensorFM-B 在其中 33 项任务上取得了更好的结果。研究还指出，通过线性探针方法，SensorFM 在 35 项任务中的 34 项上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、睡眠分析、人口统计学以及生活方式等六大类别。

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，能够迭代地生成、测试和优化推理代码。在实验过程中，该系统探索了超过 30,000 个潜在的解决方案。其生成的预测头在 20 项分类任务中，有 16 项的表现优于线性探针；在 15 项回归任务中，有 12 项的表现优于线性探针。