【谷歌GlucoFM：把血糖波动拆成“背景音”与“突发音”】Google Research发布了GlucoFM，这是一个针对连续血糖监测（CGM）的轻量化自监督基础模型。它最核心的设计是双流架构：将缓慢变化的代谢基准与剧烈的短期波动，比如进食或运动引起的尖峰，分开进行处理。通过对超过10万小时的匿名数据进行预训练，它在糖尿病风险评估、胰岛素抵抗预测等任务上刷新了性能标准。相比于直接处理原始读数的旧模型，它更关注数据背后的生理规律，即使在标注数据极度稀缺的few-shot场景下也表现出了极强的适应性。这件事的价值在于它试图解决CGM数据长期以来的“噪音”难题。传感器读数往往存在延迟或漂移，而GlucoFM通过Latent-prediction任务，不再死磕每一个具体的数值，而是去捕捉代谢的连续动态。这种架构让模型具备了极强的迁移能力，换一种设备或换一群受试者依然有效。但理性来看，这目前仍是一个处理数据的算法模型，而非直接能用的硬件产品。临床医生最关心的不仅是跑分的高低，而是它能否在血糖发生危险变化前给出预警，并排除掉那些因为传感器松动或采样偏差带来的虚假警报。目前行业内最期待的是Google是否会提供Open Weights，让这种代谢洞察力真正走进低功耗的穿戴设备里。