谷歌研究与澳大利亚新南威尔士大学联合发布了一款名为GlucoFM的连续血糖监测基础模型。该模型采用双流架构，将血糖信号分解为缓慢的生理“状态”流和瞬时的“事件”流，以自监督方式在逾十万小时数据上完成预训练。据技术报道，GlucoFM在14项队列任务评估中平均PR-AUC达到58.8，而同一语料上重新训练的最强血糖专用基线模型为54.7，提升约7.5%。

现有连续血糖监测（CGM）基础模型如CGMformer、GluFormer、CGM-JEPA，通常将血糖序列编码为一个整体。GlucoFM则将其拆分为两路：一路表征缓慢的调节基线，另一路表征进餐、活动、压力或传感器伪影引起的短时波动。模型保留观测掩码，缺失位置仅用于构造张量，不计入测量值。研究团队通过消融实验发现，这种掩码感知的默认设置优于密集插值。

GlucoFM将每次记录对齐到固定24小时网格，时间间隔5分钟，共288个位置，并保留绝对昼夜节律起始索引。一个因果、掩码感知的可学习高斯滤波器对信号进行拆分，滤波趋势成为状态流，掩码残差成为事件流。滤波器带宽在2至12个网格步长内可学习，初始化值为6.0，单侧核确保未来血糖不会泄漏到当前状态估计中。两路信号各被切分为24个一小时补丁，融合为128维令牌，并加入昼夜时间特征。

预训练采用两种JEPA风格目标：对50%至60%的补丁进行掩码上下文潜在预测，教师模型使用动量更新；以及通过残差转移头进行下一个补丁的状态/事件动态预测。数据增强包括基线漂移、压缩式下降、降采样至15分钟采样间隔以及断开块。编码器为3层Transformer，隐藏维度128，4个注意力头，前馈维度256，可训练参数0.72M，总参数1.18M。预训练数据来自Wear-CGM、上海T2DM、斯坦福、BIG IDEAs和Colas等数据集，共477名受试者的109066小时未标记CGM数据，在单张NVIDIA H100 GPU上完成。

在受试者不相交的线性探针评估中，GlucoFM在四个队列、七项任务（共14项队列任务评估）上取得58.8的平均PR-AUC，优于最强基线4.1个百分点，并超过最佳GluFormer变体5.8个百分点。在糖尿病风险和β细胞功能障碍的全部评估中以及4项胰岛素抵抗评估中的3项，GlucoFM均领先。在24项跨数据集迁移评估中，它排名第一的有21项。在餐后两小时血糖反应预测中，GlucoFM在完整上下文下取得21.88 mg/dL的平均绝对误差，优于最佳基线的22.90和训练集均值的27.69，评估覆盖34名参与者的874次进餐事件，传感器包括Dexcom和Libre。此外，在斯坦福和CGMacros-Dexcom数据集上，GlucoFM的宏F1相比七天GMI阈值规则分别提升7.4和17.4个百分点。仅用20%语料训练的GlucoFM已匹配使用全部语料训练的基线模型。

研究团队同时明确表示，GlucoFM是研究原型，尚未获得任何监管机构的批准或认可，不用于诊断、治疗、治愈或预防疾病。所有评估均为回顾性，最大的预训练队列非公开，截至2026年8月26日未发布任何检查点，论文承诺发布代码和可复现性脚本。目前可部署的是其训练方案：0.72M可训练参数配合单张H100训练120轮，任何拥有CGM语料的团队均可复现，24小时窗口推理可在CPU容器或设备端运行。

据MarkTechPost报道，模型在糖尿病风险、β细胞功能障碍和胰岛素抵抗等临床核心任务上提升显著。但该模型尚不能作为临床或消费产品使用，相关验证仍待后续工作。