谷歌的研究团队于 7 月 9 日发布了一篇博文，其中宣布了可穿戴健康基础模型 SensorFM 的问世。该模型在 35 项健康任务的测试中，有 34 项的表现超越了传统的特征工程监督基线。

SensorFM 模型是利用了全球 500 万名已同意授权的参与者提供的可穿戴设备数据进行预训练的。这些预训练数据的时间跨度为 2024 年 9 月至 2025 年 9 月，涵盖了 100 多个国家和地区，以及包括 Fitbit 和 Pixel Watch 在内的 20 多种不同型号的设备。经过从每位参与者那里提取数周的数据，总计形成了超过 20 亿小时，即超过 1 万亿分钟的信号数据。

该模型接收的输入信息包括 34 个以一分钟为聚合单位的特征，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。这些传感器数据用于追踪 24 小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动情况、步数、皮肤电导以及体温等指标。

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 SensorFM-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 提高了 9%，在回归任务上的平均 Pearson 相关系数则提升了 21%。

在 35 项用于区分健康状况的任务中，SensorFM-B 在其中 33 项任务上取得了更好的结果。研究还指出，通过线性探针方法对 SensorFM 进行评估，其在 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、人口统计学信息以及生活方式等六大类。

此外，研究团队还建立了一个名为“classroom”的 agentic 系统。该系统利用了协作和竞争的 LLM（大语言模型）智能体，通过迭代的方式来生成、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 个候选方案。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 项也优于线性探针。