谷歌的研究人员于 7 月 9 日在博文中披露，他们已开发出名为 SensorFM 的新型可穿戴健康基础模型，该模型在 35 项健康相关任务中的 34 项表现超越了传统的特征工程监督基线。

SensorFM 是基于全球 500 万名已获得授权的参与者所提供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，涵盖了 100 多个国家和地区，并收集了 20 多种型号的 Fitbit 和 Pixel Watch 数据。在对每位参与者抽取数周数据后，总计形成了超过 20 亿小时（即超过 1 万亿分钟）的信号数据。

该模型的输入包括 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，覆盖了 24 小时的时间段。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同规模的版本。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 相关系数则提高了 21%。

在 35 项判别式健康任务的评估中，SensorFM-B 在其中 33 项任务上取得了优胜。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。这些任务涉及心血管健康、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个主要类别。

此外，谷歌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 智能体来迭代生成、测试和优化推理代码。在此实验过程中，该系统探索了超过 30,000 种不同的方案。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。