WearableQA：读懂你手表数据的考题，最强模型只答对七成三

医学执照都考过了，为什么「读懂一块手表的数据」没人测

WearableQA 头一回把「真实用户的个人长程数据」搬上 AI 考场，结果最强的模型也只答对 72.9%。2026 年 9 月，Meta 与 KAIST 等机构的研究者发布了这个新基准：200 位真实用户的逐日可穿戴记录，每人最多 500 天，汇成 4,084 道题；14 个主流模型实测，最好的 Gemini-3.1-Pro 拿 72.9%，第二名被拉开 12.7 个点，弱一些的模型几乎贴着 10% 的随机瞎猜线。WearableQA

为什么非考真实个人数据不可？把戴了一年的手表数据导出成表格就明白了：静息心率在 60 到 90 之间锯齿状起伏，偶尔某几天整段缺失，报过一次的异常高值再没出现，而你 65 的「正常心率」和隔壁同事 50 的「正常心率」完全不是一回事。有噪声、有缺失、每个人有自己的基线，这就是真实可穿戴数据的常态，也是健康 AI 助理每天要读的原材料。WearableQA 问的是「这一周睡得怎么样」「运动后心率有没有及时恢复」这类问题，模型得把多条信号放在一起，跨时间做聚合比较和异常识别，再结合背景给出解释。这一整套能力，本文笼统地称作「读懂个人健康数据」。具体怎么分类，聚合、异常识别这些操作又归到哪一类，第三章的分类树会给答案。

这个结果反常在哪？模型在别的健康考题上并不差，能过医学执照题，能跟人聊健康话题，怎么偏偏在这张卷子上只有七成三？

答案得从既有的评测版图里找：四条路线各占一角，没有一条碰过「真实个体 × 长程纵向 × 多信号」这个格子。考题式路线验证的是「知识背得全不全」。2020 年的 MedQA 把 USMLE 执照考试做成 12,723 道选择题，考的是医学知识和文本检索，模型靠教科书段落就能答对，跟「读不读得懂个人数据」是两回事。MedQA 对话式路线考的是「会不会聊健康」。2025 年的 HealthBench 用 5,000 段医患对话，请 262 位医师写下 48,562 条打分准则，HealthBench 它测不出模型在一个真实用户的数字序列上算不算得对。更要命的是，多位医师对同一回答的评分一致性只有 55% 到 75%，评分器自己就带着噪声，裁定不了「这个数算对了没有」。

时序路线离这个格子最近，也停在半路。2021 年的 TimeQA 先证明时间维和长上下文是模型的弱项，人类在难题上能拿 87%，当时的模型只有 45%。TimeQA 2024 年的 TimeSeriesExam 用程序化生成的合成信号出了 763 道多选题，封闭源模型在多数类目上已经拿到高分，唯独因果分析让所有模型都头疼。TimeSeriesExam 广度路线同样够不着：2026 年的 HeaRTS 把 16 个数据集、110 个任务、12 个健康域装进一个统一评测框架，野心是广度，任务却横跨数据集聚合采样，没有一个任务是跟着同一位真实用户走上 500 天，论文的讨论终句也承认，长程整合、因果思维和时间方向性这类高级推理明显下滑。HeaRTS 四条路线各测一段，却都绕开了同一样东西：一位真实用户的、带着缺失和离群点的长程轨迹。「读懂一块手表的数据」这张卷子，从来没人出过，七成三是这个空格里量出的第一个数字。

这张雷达图就是合成路线走到哪儿的坐标：

图注：TimeSeriesExam 的五轴雷达图，横向比较 7 个模型在噪声理解、模式识别、因果分析、相似性、异常检测五类合成题上的表现。红色与蓝色的封闭源模型占据外圈，小开源模型贴在内圈，因果分析轴是所有模型共同的洼地。这是外部对照，不是 WearableQA 自身的结果。TimeSeriesExam

注意看在图里画不出来的东西。所有序列都是程序生成的干净信号，一条真实用户的、带着缺失和离群点的长轨迹都没有。合成题上封闭源模型已经接近解题天花板，但这离「读懂一个人」还很远。

同一周还有 HealthLoopQA 朝相反方向走，只盯糖尿病患者的 30 天血糖曲线并注入设备故障，单病种路线同样填不了这一格，后面再谈。HealthLoopQA

那这一格为什么非补不可？可穿戴健康助手已经不是概念里的东西，WEQA 这样的系统已经跑在真实设备数据集上，替用户把手表数据翻译成健康洞察。要是模型读不懂你自己的 500 天记录，它给的建议就只是「听起来像健康建议」的文本。评测空白不解决，这类系统的能力就没有刻度，用户也没法判断该不该信它。而「读懂一块手表的数据」恰恰是健康 AI 助理每天要干的活。WearableQA 就是来补这一格的。

4,084 道题怎么造：先保证每道题都有唯一正确答案

先看底料。200 位真实用户，每人最多 500 天的逐日聚合数据，共 16 项可穿戴信号，横跨心肺适能、活动能耗、睡眠、压力四个生理域。有心肺这边的静息心率、心率变异性、最大摄氧量，有活动这边的步数、活跃热量、运动时长，有睡眠这边的时长、效率、深睡占比、REM 占比，还有逐日的平均压力评分。每位用户还附带 17 项血液生物标志物，比如胰岛素和 HbA1c，以及年龄、性别、BMI、族裔这些人口学信息。另配 5 项核心指标的人群百分位参照：静息心率、步数、心率变异性、睡眠时长、睡眠效率。从这份底料里一共造出 4,084 道 10 选 1 多选题，正确答案在 A 到 J 十个字母上均匀分布，随机基线是 10%。每道题以最近 28 天的数据为观察窗口来提问，更早的记录作为历史上下文整体保留，最长能追溯到 500 天前。

图注：WearableQA 的构造流水线。真实用户的时序、血检与人口学数据流入，经文献证据与人群统计两路 grounding 汇聚，答案由原始测量机械计算得出，再按 2×2 分类组织，最后经验证循环质检。图中不显示具体题量，数字见正文。WearableQA

这套流水线的关键不在数据多，而在答案是怎么来的。论文把机制叫 dual-grounding（双源锚定）。它的意思是，每道题的答案都必须有两条独立的证据链同时背书，哪条都不许拍脑袋。

第一条链是文献。研究者从消费者可穿戴健康研究里全文精读了 11 篇论文，发表在 Nature Medicine、PNAS 这类期刊上。每条生理关系要过 DOI、PMID、PMCID 三重校验，至少有两篇独立研究同方向支持，才允许进题库。研究里带的数值阈值不导入，因为那是特定人群的结论，搬进别人的数据会出错。

第二条链是人群统计。直接从数据里挖「这段时间压力升高和睡眠变差确实同步」这类模式，但要过三道统计闸门：效应量要达到 |ρ|≥0.5，bootstrap 重采样 80% 以上轮次稳健且去掉任意一天仍成立，交叉用户无效检验给出的经验 FDR 不超过 0.20。三道闸门都过了，这个模式才算数。只有十来个人身上成立、换个人就消失的巧合，全被挡在外面。

答案本身走 discover-then-label（先发现后标注）流程：用可复用的计算原语把每个用户的轨迹编译成显式计算图，比如算滞后相关、按血糖阈值打标记、找最强相关配对，答案就从原始测量里机械地算出来。同一份输入永远得到同一个答案。这正是它和「让人打分」的评测的分水岭。打一个比方，前者像数学卷子，有唯一的标准答案，机器阅卷不吵架。后者像作文请两位语文老师打分，两位老师的评分一致性只有 55% 到 75%，评价本身就带噪声。WearableQA 把「答案对不对」的不确定性全部压到题目构造阶段解决，评测阶段只剩答对和答错两个状态，分数可复现、可横向比较。

确定性还意味着可复现性落到了字节级。官方仓库的渲染脚本能在不联网、不依赖任何第三方库的情况下，把 4,084 道题按字节精确复现，发布文件的 md5 校验值就写在 README 里。哪篇论文声称在 WearableQA 上拿了多少分，任何人下载同一份文件、跑同一个脚本，都能原样核对。这在「让人打分」的评测里做不到：HealthBench 的分差里混着评分器自己的噪声，两个模型差 2 个点，很难说清是能力差距还是打分运气。WearableQA 的分数干净得多。

官方仓库把这一切做成了可下载的文件：4,084 道题的预渲染 jsonl 有 306 MB，结构化原始数据 39 MB，外加一个 10 KB 的渲染脚本，可以把同样的数据换成四种不同的排布格式。再补一个现实感很强的细节：每道题的 prompt 由用户画像、传感器数据、血检面板、人群参照、题干、选项六个段落拼成，因为要把最多 500 天的逐日记录摊进去，中位数接近 86,000 个字符，最长超过 124,000 个字符。模型答题前，得先啃完一份 8 万字长的「病历」。WearableQA 仓库

一张能指出「模型哪里瘸」的考卷：16 类问题与两条能力轴

总分的意义有限，真正有价值的是知道模型瘸在哪条腿上。WearableQA 把 4,084 道题沿两条轴组织成一张 2×2 的诊断学考卷。这就像体检报告：综合分只能告诉你「大概还行」，医生真正看的是血脂、血糖、心率各自的数据。总分再高，也不知道该补哪一块。分项一亮，短板立刻现行。

第一条轴叫推理类型。数据推理（data reasoning）2,724 题，本质是算术：这周平均心率多少、哪天出现了异常片段、恢复时间多久、哪两个信号关联最强。健康推理（health reasoning）1,360 题，本质是解释：结合血检和人群参照，这位用户的表型算什么风险、鉴别诊断往哪个方向走、要不要建议调整训练量。

图注：WearableQA 的整体分类树。4,084 道题从根部分为 data reasoning 与 health reasoning 两支，各支展开若干个具体问题类型（合计 16 类），构成诊断学的第一轴。图为整体分类，具体题量数字见正文。WearableQA

第二条轴叫信号复杂度。单信号题 1,682 道，只看一条序列。跨信号题 2,402 道，要把两条甚至多条序列放在一起比对。两条轴交叉，两支合计 16 类（论文表格口径为数据侧 9 类、健康侧 7 类，官方 taxonomy 图则按 8+8 版面展示）。为什么要收成两支而不是 16 个并列？因为诊断需要做减法。先看推理类型轴，能分清模型是算错还是讲错。再看信号复杂度轴，能分清它是单条读不清还是多条合不来。两轴一交叉，「哪里瘸」就定位到了 16 个小格子里的一格。另外，grounding 是正交的第三轴，依据文献的 930 道，依据人群统计的 3,154 道，它不占 2×2 的格子。它对模型的考验不同：文献题要把通用知识套到具体个人身上，人群题要从个体数据里反推模式，得分开看。

拿数据侧的「最强配对」题感受一下。这是示意题面，不是原文照抄：题目问「这位用户在过去 28 天里，哪两个信号的关联最强」，数据区给出逐日记录，选项是几对候选配对，比如步数 × 活跃热量、静息心率 × 压力。要答对，模型必须真的把候选配对逐一遍历、对齐时间轴、算相关系数。它有捷径可走吗？「步数多通常消耗多」这类生理常识只对同源信号成立，静息心率和压力的耦合关系只能从这位用户自己的数据里反推。第四章会揭晓一个与这直接相关的发现：模型分得清这两类配对，却答不好后者。

10 选 1 的协议本身也做了防作弊设计：正确答案在 A 到 J 上均匀分布，理想模型应该均匀地选字母。如果有模型把答案整批押在某个固定字母上，成绩单立刻会把这个毛病照出来。

14 个模型实测：最好的也只有七成三，两处场地普遍翻车

评测协议默认用 CoT（chain-of-thought，思维链）显式推理和 row-wise 文本序列化，输出必须解析成单个字母，解析不出来算错。14 个主流模型跑完，整体准确率横跨 19.6% 到 72.9%。

把每个模型的成绩拆到两条轴上，能看到两处系统性的偏斜：

图注：14 个模型沿两条轴的成绩散点，每个点带 95% 置信区间，蓝点为专有模型，绿点为开源模型，虚线是 y=x。左图里多数模型落在虚线上方，说明健康推理普遍高于数据推理。右图里强专有模型整齐落在虚线下方，说明跨信号推理普遍低于单信号，弱开源模型两端都低。散点图承载分布趋势，精确分数以正文表格为准。WearableQA

第一处洼地在推理类型上。多数模型的健康题答得比数据题好，GPT-4o 数据推理只有 25.3%，健康推理却到 53.5%，差了 28.2 个点。Gemini-3.1-Pro 是唯一反过来的模型。换成大白话：绝大多数模型更擅长「结合背景讲道理」，不擅长「把数算出来」。哪怕是开源最强的 Gemma-4-26B-A4B，数据侧 33.8% 对健康侧 59.8%，同样差着一截。

第二处洼地在信号复杂度上。跨信号题对几乎所有人都更难：Gemini-2.5-Pro 单信号 58.1%、跨信号 45.3%，GPT-5.4 从 59.1% 掉到 45.7%。最难的类型是跨信号预测题，测试里开源小模型 Llama-3.1-8B 只答对 8.3%，连 Claude-Opus-4.6 也只有 40.5%。这类题难在哪，可以想成一条流水线：先定位时间窗口，再过滤缺失的天，然后把两条序列对齐，聚合后比较，最后还要和人群参照对照。链上任何一环出错，答案就错。模型在「讲道理」的题上表现好，是因为那些题的推理藏在常识后面。数据题把每一步计算都暴露在台面上，一步错、满盘输。相对容易的是风险评估、多模态表型和体能预测题，强专有模型能上 80%。还有个有意思的细节：Gemini-3.1-Pro 在最强配对题上拿到 68.3%，恢复时间题却只有 35.9%，同一模型对不同算术题的差距可以这么大。

论文还做了一个更扎心的切分，把信号配对题分成定义型和经验型。定义型配对靠生理常识就能答，比如步数 × 活跃热量消耗。经验型配对必须从观测数据反推，比如静息心率 × 压力。多数模型在定义型上大幅领先：Gemini-2.5-Pro 领先 51.5 个点，GPT-5.4 领先 48.2 个点，GPT-4o 领先 36 个点。Claude 系和 Gemini-3.1-Pro 只领先 3 到 4 个点，说明它们多少能从数据里把耦合关系恢复出来。合起来看，模型更像「会讲理的医生助理」，而不是「能算数的分析师」。Gemini-3.1-Pro 之所以是唯一的反向模型，是因为它的数据推理做到 75.4%，是这 14 个模型里唯一真正「会算数」的。这给后续模型留了一个具体的追赶目标：把数据侧补上来。

协议细节里还有一个防作弊警示：直接作答时，小模型会把 51.5% 的回答整批押在同一个字母上，一旦开启显式推理，押注率立刻降到 13.5%。显式推理本身普遍有正收益，Claude-Opus-4.6 在单信号题上靠它涨了 27 个点。只是收益并不平均：开源模型平均只多拿 2 到 3 个点，专有模型则动辄涨十几个乃至二十几个点，多花推理预算是否值得，同样分模型档次。选项位置是均匀的，理想模型不该有字母偏好，有偏好的模型就是在走捷径。

换格式没用，给它一把 Python 工具——成绩反而涨 20 点

成绩烂，是不是数据没摆好？论文专门做了输入表示消融，结论是格式几乎不背锅。把同一批数据换成一行一天的排布、一列一种指标的排布、CSV 表格、Markdown 表格，成绩差距都在 2 个点以内。把数据画成图喂给多模态模型，成绩反而从 50 上下暴跌到 34% 到 37%。CSV 再配一张图，也不比纯 CSV 强。图表把精确数值压扁成了形状和趋势，而健康推理恰恰要的是能进计算的数字。

真正的杠杆是允许模型调用工具。在保持 row-wise 排布完全不变的前提下，只给模型开一个「可以用 Python 算」的开关，GPT-5.4 从 51.2% 涨到 71.3%，加了 20.1 个点。Claude-Opus-4.6 从 60.2% 涨到 77.0%。给模型一个自选表示形式的多视图设置，成绩反而略低于固定格式。结论很直白：怎么摆数据不重要，能不能动手算才重要。模型把算术外包给 Python，自己只负责读题、选算法、把结果组织成答案，两者各干各擅长的活。需要说明的是，agentic 实验只跑了这两个专有模型，没有跑满 14 个，不能把增益外推成全体模型的平均水平。WearableQA

这条路线有清晰的方法学源头。2024 年 Google 的 PHIA 把这类循环最早带到可穿戴健康上：

图注：PHIA 的概念图。(A) 到 (C) 展示客观题与开放式题的查询样例和配套的合成用户数据表，(D) 是 ReAct 循环：模型先思考，再行动调用 Python 或搜索引擎，观察结果后回到思考，循环往复直到给出回答，(E) 是一个端到端回答示例。这是 agentic 方法的源头工作，不是 WearableQA 本身的结果图。PHIA

PHIA 在 4,000 多道客观题上的对比很有说服力：纯文本喂表、让模型自己算术，准确率只有 22%。一次性生成代码不迭代，是 74%。配上 ReAct 加 Python 加搜索的循环，到 84%。同样是让模型算，拼的不是模型临场发挥，而是工具链本身。PHIA

2026 年的 WEQA 把这条路推到「传感器原生」：让 LLM 当控制器规划查询，把预测类问题直接路由给专门的可穿戴模型，整体比纯 LLM 提示高 24 个百分点。注意，它给模型配的不是上网查资料的工具，而是直接吃传感器数据的原生算子，比如相关性检查、趋势剖析、基线估算。方法学文献里管这类工具叫 sensor-native（传感器原生），意思是工具说「数据」的语言，不用先把数据翻译成文字，也就不会在翻译里丢精度。这正好接住第四章「跨信号最差」那道伤疤：工具有效，因为工具真的会算。WEQA

七成三意味着什么：能用、边界与下一站

先给一个证明「这套题没有捷径」的实验。把可穿戴数据整个拿掉，只留血检和人口学，模型成绩掉到 17.3%，窗口内题只有 13.7%，基本回到瞎猜。只去掉长程历史、保留近期窗口，依赖历史的题从 75.9% 跌到 39.8%。结论得限定着说：这项消融只跑了 Claude-Opus-4.6 这一个模型，在这一个模型上，它不能只凭血检和人口学取得原分数，说明它确实依赖可穿戴数据本身。至于「任何模型都走不通统计捷径」这种更强的说法，单模型的证据撑不住。WearableQA

WearableQA 最大的贡献不是把模型又考倒一次，而是把「AI 健康助手行不行」变成了一个可以追赶的数字。72.9% 是刻度不是终点。对模型开发者，它划出了数据推理和跨信号推理两片明确的洼地。对研究者，它是可复现的对照基准，306 MB 数据加 10 KB 渲染脚本，四种格式自由切换，任何人都能重跑。对产品团队，它给出了一个诚实的能力边界估计。论文 2026 年 9 月初才挂上 arXiv，评测生态才刚刚开始围绕它运转。

边界必须讲清楚。数据遵循 CC BY-NC 4.0 许可，外加四条附加条款：一是不得重新识别用户，二是不得用于临床诊断或治疗决策，三是不得做歧视性或误导性的健康结论，四是数据按原样提供、不作任何担保。它是研究工具，不是诊疗裁决。中位 8.6 万字符的 prompt 也现实地提醒着长上下文成本。论文自己承认的局限还有：agentic 实验只覆盖两个专有模型，数据消融只跑了一个模型，没有做真实用户的临床结局评估，答对题不等于改善健康结果。另外，评测只覆盖日粒度聚合指标——数据里没有秒级、分钟级的原始波形（如 PPG），这一粒度不在范围内。这套结论不该被外推成更大的主张。

同期动向也值得留意。WearableQA 走「通用 + 多信号 + 真实长程」，同一周发布的 HealthLoopQA 走相反方向：单病种、30 天视野，给糖尿病闭环系统注入设备故障和网络攻击，把评测从「通用能力」推向「治疗场景安全」。健康 AI 的评测正在变成一条质检线，考卷从一张通用卷分化成一张张专科卷，不同考卷各测一段，合起来才覆盖「读懂你的身体」这件事。HealthLoopQA

还有三件没做完的事值得盯着。一是跨人群泛化：200 位用户来自一个更大的真实可穿戴数据集，换一批地区、换中文用户，分数会怎么变，还没人测过。二是细粒度：秒级、分钟级的原始波形理解不在 WearableQA 的覆盖范围内，WearableQA 承接的是日粒度这一层。三是临床闭环：答对选择题不等于改善真实健康结果，论文自己承认没有做用户的临床结局评估。这些洞就是下一批基准的位置。

回到标题那个数。72.9% 意味着当前最强的模型，也只能完整读懂七成三的手表故事，剩下近三成会读错、读漏、读偏。对用户这是能力边界，对研究者这是明确的追赶目标。HeaRTS 那句讨论终句可以作为这一年的生态共识：模型的基础信号感知已经够用，长程的、跨信号的、需要因果和时间方向性的推理，仍是共同的洼地。HeaRTS

七成三不是判决书，是发令枪。

想深入可以读原文：WearableQA: A Benchmark for Health Reasoning over Real-World Wearable Data，arXiv:2609.05405

参考文献

1. WearableQA（锚定论文）：WearableQA: A Benchmark for Health Reasoning over Real-World Wearable Data，arXiv:2609.05405。https://arxiv.org/abs/2609.05405
2. HeaRTS: Benchmarking LLM Reasoning on Health Time Series，arXiv:2603.06638。https://arxiv.org/abs/2603.06638
3. WEQA: Wearable hEalth Question Answering with Query-Adaptive Agentic Reasoning，arXiv:2606.18147。https://arxiv.org/abs/2606.18147
4. HealthBench: Evaluating Large Language Models Towards Improved Human Health，arXiv:2505.08775。https://arxiv.org/abs/2505.08775
5. MedQA: What Disease does this Patient Have?（医学执照考试选择题数据集），arXiv:2009.13081。https://arxiv.org/abs/2009.13081
6. TimeQA: A Dataset for Answering Time-Sensitive Questions，arXiv:2108.06314。https://arxiv.org/abs/2108.06314
7. TimeSeriesExam: A Time Series Understanding Exam，arXiv:2410.14752。https://arxiv.org/abs/2410.14752
8. HealthLoopQA: A Context-Aware Question Answering Benchmark for Interpreting Wearable Monitoring Data in Diabetes Care，arXiv:2609.06976。https://arxiv.org/abs/2609.06976
9. facebookresearch/WearableQA（官方代码与数据仓库）。https://github.com/facebookresearch/WearableQA
10. PHIA: Transforming Wearable Data into Personal Health Insights using Large Language Model Agents，arXiv:2406.06464。https://arxiv.org/abs/2406.06464