知识卡片：WearableQA——真实世界可穿戴数据的健康推理基准

一句话结论

WearableQA 是一个针对大语言模型（LLM）在真实用户长期可穿戴数据上进行健康推理的基准，包含来自 200 名真实用户、每人最长 500 天日常测量的数据所构造的 4,084 道 10 选 1 多选题；评测 14 个模型后，准确率从 19.6% 到 72.9% 不等，多数模型低于 60%，说明该基准远未被解决。

事件概述/研究问题

可穿戴感知技术已能持续监测生理与行为信号，但现有基准很少评估 AI 系统是否能够对一个真实用户的纵向可穿戴记录进行推理。WearableQA 旨在填补这一空白，通过真实世界数据构造多选题，考察模型能否综合可穿戴时间序列、血液生物标志物和人口统计信息进行健康层面的推理。

方法/产品要点

数据规模：200 名真实用户，每人最多 500 天的日度测量记录。
数据类型：可穿戴时间序列、血液生物标志物、人口统计学信息。
题目数量：4,084 道 10 选项单选题。
数据属性：保留真实可穿戴数据分布，包括设备噪声和个体间差异。
问题类型：16 种，沿两条互补轴设计：
- 数据推理 vs 健康推理：区分对纵向测量数据的计算/处理与对生理意义的解释。
- 单信号推理 vs 跨信号推理：区分对单一信号的分析与对多种信号的综合整合。
题目构建框架：采用“双重基础”（dual-grounding）框架，将文献基础的生理学发现与统计验证的人群基础生理模式相结合。
评测对象：14 个专有与开源 LLM。

主要结果或产业意义

模型准确率范围：19.6%–72.9%，随机机会基线为 10%。
大多数模型准确率低于 60%，显示 WearableQA 能有效区分模型能力，同时仍具有较高挑战性。
产业意义上，该基准为可穿戴健康数据的 AI 评估提供了一种更真实、更具诊断性的测试方式，可用于衡量模型在健康监测场景中的实际推理能力。

为什么重要

WearableQA 强调了“能否对真实用户的多日可穿戴记录进行健康推理”这一此前较少被系统评测的能力。它不同于仅评价单一答案正确性的传统基准，也不同于已有相关卡片中的 LLM 数据智能体轨迹完整性、主动智能体通用基准或无人机时空推理基准；其增量在于：专门面向健康场景，基于纵向真实可穿戴数据，并提出“数据 vs 健康推理”和“单信号 vs 跨信号推理”两个维度来诊断模型能力。

局限与不确定性

当前内容仅来自 arXiv 摘要，以下细节待核实：具体问题示例、题目生成与过滤流程、生理模式统计验证的具体方法、评测温度设定与提示格式、数据集获取方式与隐私合规措施、不同信号的具体类型与缺失数据处理方式。
样本来源仅为 200 名真实用户，通用性和外部有效性范围待进一步说明。
“真实世界数据”中包含设备噪声和个体差异，这既是优点也可能引入混淆因素；具体如何保证题目可靠性仍待核实。

可用于图书/PPT/简报的角度

“大模型能读懂你的手环数据吗？”可作为健康科技与 AI 评测案例。
用“数据推理 vs 健康推理”框架解释模型在不同推理层次上的差异。
讨论真实世界噪声数据对 AI 评估的影响，以及从静态问答走向纵向健康记录推理的趋势。

与既有脉络的关系

已有相关卡片分别关注 LLM 数据智能体的轨迹可审计性、主动智能体基准、无人机多模态时空推理；本条卡片延续“为复杂真实场景构建诊断性基准”的脉络，但将问题域转向“真实用户长期可穿戴健康数据”，并引入了基于两轴划分的细粒度能力评估方式。

原始材料

英文标题：WearableQA: A Benchmark for Health Reasoning over Real-World Wearable Data
英文关键词：WearableQA; health reasoning; benchmark; real-world wearable data; LLM evaluation
来源：arXiv:2609.05405v1
摘要链接：https://arxiv.org/abs/2609.05405v1
PDF 链接：https://arxiv.org/pdf/2609.05405v1
发布/更新：2026-09-04