IT之家 7 月 11 日消息，谷歌谷歌研究团队于 7 月 9 日发布技术博文，发布分钟正式推出可穿戴健康基础模型 SensorFM。模型测试数据显示，人万亿该模型在 35 项健康任务中，可穿有 34 项表现优于传统的戴数特征工程监督基线。

海量数据预训练

SensorFM 的据预预训练数据源自全球 500 万名已授权参与者的可穿戴设备数据。数据采集时间跨度为 2024 年 9 月至 2025 年 9 月，训练覆盖 100 多个国家和地区，谷歌涉及 20 多种 Fitbit 和 Pixel Watch 机型。发布分钟通过对每位参与者数周的模型数据进行抽样，最终形成了超过 20 亿小时（逾 1 万亿分钟）的人万亿高质量信号语料库。

多模态传感器输入

模型输入层整合了 34 个 1 分钟聚合特征，可穿主要采集以下 5 类传感器数据：
* PPG（光电容积脉搏波）
* Accelerometry（加速度计）
* EDA（电皮肤活动）
* 皮肤温度
* 高程计

这些传感器数据能够实时反映 24 小时内的戴数关键生理指标，包括心率、据预心率变异性（HRV）、血氧饱和度、睡眠阶段、运动步数、皮肤电导率以及体温。

模型规模与性能提升

SensorFM 提供 XXS、XS、S、B 四种模型规模。其中，最大规模模型 SensorFM-B相较于最小版本，性能显著提升：
* 重建损失下降 31%
* 分类任务平均 AUC 提升 9%
* 回归任务平均 Pearson 相关系数提升 21%

IT之家附上详细性能对比数据如下：

广泛的适用性验证

在涵盖心血管健康、代谢风险、心理健康、睡眠、人口统计与生活方式等 6 大领域的 35 项判别式健康任务中：
* SensorFM-B在 33 项任务中胜出。
* 线性探针在 35 项任务中有 34 项优于特征工程监督基线。

AI 智能体辅助优化

研究团队还构建了一个基于 LLM 的“agentic classroom”，通过协作与竞争的 AI 智能体迭代生成、测试并优化推理代码。实验结果显示：
* 系统探索了超过 30,000 个候选方案。
* 生成的预测头在 20 项分类任务中的 16 项优于线性探针。
* 生成的预测头在 15 项回归任务中的 12 项优于线性探针。