谷歌的研究团队于 7 月 9 日发布了一篇博文，宣布推出了名为 SensorFM 的可穿戴健康基础模型。该模型在 35 项健康任务中的 34 项上，表现超越了特征工程监督基线。

SensorFM 模型是基于全球 500 万名已同意参与者的可穿戴设备数据进行预训练的。这些数据的时间跨度为 2024 年 9 月至 2025 年 9 月，覆盖了 100 多个国家和地区，以及 20 多种 Fitbit 和 Pixel Watch 设备型号。在对每位参与者抽取数周数据后，共形成了超过 20 亿小时，即超过 1 万亿分钟的信号数据。

该模型接收的输入数据包括 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。这些数据对应于记录 24 小时内的心率和心率变异性、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。其中，最大的 SensorFM-B 模型相较于最小版本，其重建损失降低了 31%，分类任务的平均 AUC 提升了 9%，回归任务的平均 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 在其中的 33 项任务上取得了胜利。研究还指出，通过线性探针的方法，该模型在 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、睡眠质量、人口统计学特征以及生活方式等六大类。

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，对推理代码进行迭代生成、测试和优化。在实验过程中，该系统探索了超过 30,000 个候选方案。通过该系统生成的预测头，在 20 项分类任务中的 16 项上表现优于线性探针，在 15 项回归任务中的 12 项上也超越了线性探针。