谷歌研究团队于 7 月 9 日发布博文，对外公布了名为 SensorFM 的可穿戴健康基础模型。该模型在 35 项健康相关任务的评估中，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 500 万名已授权同意的参与者，这些数据涵盖了从 2024 年 9 月到 2025 年 9 月的采集时间，涉及 100 多个国家和地区，以及超过 20 种不同型号的 Fitbit 和 Pixel Watch 设备。在对每位参与者数周的数据进行处理后，共计生成了超过 20 亿小时，即超过 1 万亿分钟的传感器信号数据。

该模型接收的输入数据包括 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健康指标。

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。其中，最大的 SensorFM-B 模型相较于最小规模的版本，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%，在回归任务上的平均 Pearson 相关系数则提升了 21%。

在 35 项判别式健康任务的测试中，SensorFM-B 在其中的 33 项任务中取得了领先。研究还指出，通过线性探针方法，SensorFM 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、人口统计信息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 个潜在方案，生成的预测头在 20 项分类任务中的 16 项优于线性探针，在 15 项回归任务中的 12 项也优于线性探针。