Google 研究院刚刚放出的 GlucoFM，可能是动态血糖监测（CGM）领域第一个值得真正上手试试的基础模型。它读的不是单点血糖值，而是把每个人的血糖轨迹拆成两条平行流：一条捕捉缓慢的整体趋势，另一条收紧短期波动。这和 GluFormer 那种整体建模的思路完全是两个方向——不追求重建原始读数，而是把学习目标压在潜在表征上。设计上更轻，但意图更重。
GlucoFM 在 109,066 小时的未标注 CGM 数据上完成预训练，随后被放进四个队列、七项临床预测任务里做实战检验。结果不算惊艳，而是抢眼：14 项评估中，PR-AUC 平均超过最优 GluFormer 变体 5.8 个百分点，PPGR 预测（餐后血糖反应）的 MAE 也是全场最低。更值得注意的是数字背后的代价：跨数据集迁移稳、少样本适应能力强，某些任务只用极少量标注数据就表现出色。
这也是 GlucoFM 最有意义的启发：临床场景里，高质量标注永远是稀缺品，而大量无标注的 CGM 信号就摆在那里。自监督预训练先学血糖动态的通用结构，具体任务再做轻量适配，必要时靠多天平均压住个体基线漂移——这条路一旦走通，健康监测领域的模型训练逻辑也许就不再需要那么多昂贵的“金标准”了。
