Google 把血糖曲线拆成两条流，GlucoFM 读出代谢健康

一条血糖曲线，拆成两条流

2026年8月26日，Google Research与UNSW Sydney联合发布GlucoFM，一款自监督基础模型（在大规模数据上预训练，可适配多种任务）。它把连续血糖监测数据拆成两条独立流——慢速生理趋势和短期波动——分别建模。

GlucoFM的核心设计是双流编码器。一条处理低频状态分量，代表血糖的缓慢基线变化；另一条处理残差事件分量，捕捉餐后、运动或传感器伪影造成的短时偏差。输入对齐到24小时、5分钟网格，并保留观测掩码，让模型知道哪些时间点有真实数据。这种结构与现有CGM模型不同：CGMformer、GluFormer、CGM-JEPA均把血糖序列当作单一流处理，未显式分离快慢成分。

评估结果来自4个队列、7项临床任务，共14项队列-任务组合。GlucoFM的平均PR-AUC比同一预训练语料下重训的最强 CGM 专用基线高出4.1个百分点（54.7→58.8，相对约+7.5%）。在糖尿病风险评估和β细胞功能障碍判断上，它全部领先；胰岛素抵抗评估中，4项里领先3项。评测还覆盖高脂血症、低血糖、肥胖和糖型（glucotype）分类。目前该项目为研究阶段，权重尚未公开。

CGM 数据不是均匀的，它拆成两条流来学

GlucoFM 的核心理念很简单：血糖曲线里的慢趋势和短波动，不应该被塞进同一个通道里处理。

连续血糖监测仪每几分钟记录一次组织间液葡萄糖浓度，CGM（连续血糖监测，通过皮下传感器每几分钟记录一次血糖值）。

但这条曲线不是均匀的——它包含缓慢变化的基线（比如空腹和夜间模式）和快速波动的偏差（来自吃饭、运动或传感器噪点）。此前的主流模型，包括 CGMformer、GluFormer 和 CGM-JEPA，都用一个单流编码器处理整个序列。

Google Research 和 UNSW Sydney 的研究者觉得这不对：基线模式和事件模式是两种不同生理信号，混在一起学，互相干扰。

GlucoFM 把一条 CGM 轨迹分解成两条流：一条捕捉慢速生理“状态”，另一条捕捉瞬时“事件”。两条流都保留时间戳和缺失标记，然后分别用两套 JEPA 风格的目标函数做自监督学习预训练（一种训练方法，让模型从数据本身的结构中学习，无需人工标注标签）。这样一来，模型在预训练阶段就学会了区分“这个人的空腹血糖基线是多少”和“刚才那顿饭引起了多大波动”。

双流设计的直接好处是：模型对标注数据的需求降低。传统方法要预测糖尿病风险或胰岛素抵抗，通常需要大量临床标注的 CGM 记录。GlucoFM 先用前文提到的那批未标注数据预训练，然后只用少量标注样本微调（在预训练好的模型基础上，用小量特定任务数据做进一步训练，让它适应新任务）就能迁移到新任务。Google 在论文中报告，GlucoFM 在糖尿病风险评估、胰岛素抵抗、β细胞功能障碍等 7 项临床预测任务上，达到了前文提到的性能提升。

关键在于，GlucoFM 并没有用更大的模型来赢得优势——据行业媒体 Agent5 报道，它的编码器参数只有 0.72M。官方博客未披露参数量，也没有公开完整权重，更没有第三方复测结果。双流策略是否在所有场景下都优于单流，还需要独立验证。

轻量设计，凭什么赢？

Google Research 发布的 GlucoFM，在 14 项队列-任务评估上，平均 PR-AUC（精确率-召回率曲线下面积，衡量预测排序质量）比最强的 CGM 专用基线高 4.1 个百分点。它有多大？据 Agent5 报道，只有 0.72M 个可训练参数。

过去处理连续血糖监测（CGM）数据的基础模型（在大规模数据上预训练、可适配多种任务的通用模型），都把整条血糖曲线当作一条流来学。GlucoFM 偏不：它用自监督（不用人工标注，自己从数据里找规律）预训练，把曲线拆成两条流——一条慢速的生理“状态”，一条短暂的“事件”波动。拆开之后，每条流只需学会一个更简单的任务。

拆开没丢信息，反而赢了。四个队列、七项临床任务上，GlucoFM 的 PR-AUC 平均比最强基线高 4.1 个百分点。糖尿病风险和 β 细胞功能障碍的所有评估，它都排第一；胰岛素抵抗的四项评估中它赢了三项。

据行业媒体报道，0.72M 参数对基础模型来说小得反常。它能赢，很可能靠的是双流结构把问题拆成两个更简单的子问题：一条流学“今天血糖的底色”，另一条流学“刚才发生了什么”。

跨设备也拿到一致结论。研究者在 Dexcom 和 Libre 两种主流 CGM 设备上分别建模，餐后血糖预测的平均绝对误差都是全场最低——21.88 mg/dL，低于最好基线的 22.90。这一结论来自 Google 自己的报告，尚未有第三方复测。

跨队列迁移：少标注能撑起代谢预测吗

GlucoFM 的考题在迁移：把预训练学到的东西搬到一个新队列，标注只剩少量时它还能不能撑住。四个队列、七项任务的成绩单，就是判断依据。

光看血糖曲线，看不出一个人的胰岛素抵抗有多重。判断这类代谢指标要靠临床检查标定，论文直言高质量临床标签稀疏且贵。现实里收集带标注的 CGM 数据，代价比收集血糖曲线本身高得多。

GlucoFM 把标签需求压下去的办法，是先把“规律”学干净。它是一个基础模型（在海量数据上预训练、可适配多种下游任务），按自监督（不用人工标注，直接从数据本身找规律）方式预训练，不看标签，自己预测血糖曲线的每日语境和时间演变。预训练完，在新队列上只需少量标注样本就能适配——这就是少样本（用极少量标注学会新任务）的含义。

成绩单来自四个不同队列、七个临床任务（糖尿病风险、胰岛素抵抗、β 细胞功能障碍、高脂血症、低血糖、肥胖、血糖表型），共 14 个队列-任务组合。与在同一语料上重训、表现最好的 CGM 专用基线相比，GlucoFM 的平均 PR-AUC（衡量预测排序好坏的指标，样本不均衡时更可靠）高出 4.1 个百分点；它在糖尿病风险和 β 细胞功能障碍的所有评估中居首，四个胰岛素抵抗评估里赢下三个。据 Agent5 报道，做到这些只用了 0.72M 参数量（模型里可调权重的总数，越小越省算力）。需要注明：数字来自 Google 自己的评估，截至发文未见第三方复测。

后续看点全在这“迁移”两个字上。GlucoFM 还在研究阶段，模型权重尚未放开。等权重真的放出，看第三方在自己的 CGM 队列上复现时，标注样本砍到多低优势还能保住；还要看双流拆分会不会被后续 CGM 模型沿用。若新队列上少样本优势消失，或后续模型退回单流结构，这个方向就得修正。

先别找 demo，权重还没放出来

GlucoFM 发布当天，论文和博客都公开了，模型权重却没上线。现在能做的，是读论文、盯仓库、看懂一个关键区别。

据 Agent5 和 explainx 报道，Google Research 与 UNSW Sydney 在 8 月 26 日发布了 GlucoFM，但权重（训练好的参数文件，没有它无法运行）标注为 TBD——待公开。官方博客的 Quick links 里只有 Paper 链接，没有下载入口。能先做的是读论文：打开 Paper，看双流结构如何把 CGM（连续血糖监测，皮下传感器每几分钟测一次血糖）曲线拆成缓慢的“状态流”和快速的“事件流”，同时保留时间信息和缺失值（没测到的时间点）。

读论文时带上对比：CGMformer、GluFormer、CGM-JEPA 都把整段血糖曲线当成一条序列处理；GlucoFM 拆成两条。这个区别不跑代码也能看懂。如果你戴着 CGM 设备，翻出自己一周的曲线，把平滑的基线部分和餐后、活动引起的尖峰分开——这就是双流的直觉。

数字部分先别急着记。官方称 PR-AUC（预测排序质量指标，越高越好）平均比最好的 CGM 专用基线高 4.1 个百分点，但那是对比自己训练的基线，还没有第三方复测。等权重或代码公开后，看能不能复现这个数。权重放出来之前，最有价值的动作就一个：把双流思路与轻量设计这个事实记牢。