Soma训练中
连续生理数据的基础模型。训练时用视频、音频、代谢与检测等多模态数据给手环数据流打标签，推理时只用手环：把昂贵、稀疏的测量，变成每天都有、带置信度的估计。
读的不是传感器，是身体。
原始信号加多模态标签进来，状态、预测与推演出去。
手环原始信号
PPG、加速度、皮温；以及心率、睡眠、HRV 等设备记录。
多模态标签
运动视频、演出与场景音频、代谢舱、血液与组学检测、饮食与补剂事件、基因组。
当前状态
身体现在怎么样。睡眠、恢复、负荷三项日评分已经出数，Soma-ACC 每 30 秒认出当前活动。
未来变化
带置信区间的预测：接下来往哪走。
扰动的影响
如果改变运动或饮食，身体会怎样。需要受控干预数据。
Soma-ACC：每 30 秒，认出你在做什么。
腕部加速度活动识别模型，Soma 的第一个成员。已训练完成，即将以 Apache-2.0 开源。
只读三轴加速度
不看视频、不听音频，只读腕部三轴加速度，按统一的活动本体输出身体部位、活动类型、强度与睡眠判断。
约 80 万参数
小到能跑在手环、手机和边缘设备上，却覆盖日常活动的完整图谱。
公开数据训练，公开发布
34 个公开数据集、960 多名受试者、4 万多小时信号；数据来源逐一致谢，将以 Apache-2.0 在 HuggingFace 发布。
设备无关
训练覆盖 20 多种设备形态，推理不需要知道具体设备，没见过的手环也能直接用。
HuggingFace · somaticai/soma-accComing soon
每一层都有了基础模型，没有一层有「人」。
基因组、甲基化、蛋白组、单细胞、可穿戴信号，每一层都有出色的基础模型。它们全都训练在「多人 × 一层 × 一刻」，没有一个训练在「一人 × 每层 × 每天」。没有任何一个基础模型见过一个人完整的时间轴，而这正是长寿真正需要的那个模型。
连续信号是序列，多模态数据是标签。
行业习惯把组学当输入、可穿戴当辅助。我们反过来：一个人身上只有连续信号够稠密，能当模型读的序列；视频、代谢与检测这些昂贵、稀疏的测量，用来给序列打标签。
连续信号
模型读的骨干。同一台仪器、口径一致，一分钟以内的形态不被丢弃。
多模态参考测量
给序列赋予含义。没有标签，状态推断就无从验证，那只是又一个黑盒评分。
干预
运动、饮食、作息、补剂与用药：要被解释的外生输入。
先从最密的标签做起。
运动视频
每一拍都是一个标签。羽毛球已在做。
运动与场景音频
曲目、口令与环境声的时间线。演唱会已有配对场次。
功能医学检测与代谢舱
能耗、代谢与检测指标。代谢舱协议准备启动。
血液与组学检测
低频、高信息量，主要用于调优与评估。
高频标签，难在时间对齐。
视频一秒几十帧，手环和摄像头各有各的钟。钟差、漂移、蓝牙延迟、没有逐样本时间戳，再加上生理反应本身的滞后，都会让标签对错位置。
钟模型
估计每台设备相对参考时钟的偏差和漂移。
同步事件
用拍手、击球这类在两边都看得见的事件，把两条时间轴钉在一起。
信号精对齐
在同步事件附近，用信号本身做细调。
对齐精度分级使用：精度越高，标签粒度越细。羽毛球目前是手动对齐，误差约 300 毫秒，所以只做回合与击球窗口这样的事件级标签。
Somatic State Record：模型说的，不是答案。
类型化输出
时序模型输出类型化的状态对象，语言模型只做翻译措辞，永不生成生理数值。
检出限是契约的一部分
每条记录必含最小可检测差异字段。变化小于检出限时，语言模型在契约上说不出「你改善了」。
反馈进 harness，不进权重
用户评分与纠错进入可归因、可撤销的 harness 层，模型权重冻结。迭代更快，结果也更好追溯。
你怎么证明模型在变好？
有了连续的骨干，一年两次的检测可以变成每天一个带不确定度的估计：噪声更小，没有空白日，而且每一个日估计，都是对下一次参考测量的预测。结果回来，模型要么对，要么不对。诚实的边界：参考测量仍是金标准，模型不会比它更准，但可以远没那么吵。
从一项运动开始。
羽毛球
用运动视频生成的事件级标签，训练第一个专业运动识别模型：没有摄像头的场地，只戴手环也认得出击球与回合。可复制到网球、乒乓球、跑步、力量与康复训练。
跑步
起跑前和收官各按 60 秒电极，看准备度与恢复；跑中看步频变化与心率脱钩，跨赛季看耐久度曲线。单腕测不了内旋角度和左右腿平衡，不报绝对卡路里。