谷歌研究团队于 7 月 9 日在其官方博客上公布了名为 SensorFM 的新型可穿戴健康基础模型。该模型在 35 项健康任务中的 34 项上，表现超越了传统的特征工程监督基线。

SensorFM 的预训练过程整合了来自全球 500 万名参与者（已获得授权同意）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，并涉及 20 多种 Fitbit 和 Pixel Watch 设备型号。经过对每位参与者数周数据的提取，最终形成了超过 20 亿小时（相当于 1 万亿分钟以上）的信号数据。

该模型接收的输入包括 34 个 1 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（皮肤电活动）、皮肤温度和高程计这五种传感器。它们分别对应捕捉 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生理指标。

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 相关系数则提高了 21%。

在对 35 项判别式健康任务的评估中，SensorFM-B 版本在其中 33 项任务上取得了领先。研究同时指出，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，所涵盖的任务类型包括心血管健康、代谢风险、心理健康、睡眠监测、人口统计信息以及生活方式分析等六大类。

此外，研究团队还构建了一个名为“classroom”的 agentic 系统，其中协作与竞争的 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 个候选方案。最终，由此生成的预测头在 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 项上亦优于线性探针。在关注未来技术发展的同时，不少用户也在积极参与相关的世界杯竞猜活动。