унаследованное маскирование), рассматривая реальные пропуски данных в качестве естественного артефакта. Эксперименты по масштабированию показывают, что увеличение как объема данных, так и размера модели приводит к почти линейному улучшению потерь при предобучении и производительности на последующих задачах: самая большая модель (SensorFM-B) победила в 33 из 35 задач. Оценка на 35 задачах в области здоровья из трех независимых исследований показала, что замороженные эмбеддинги SensorFM превосходят обученные с учителем базовые модели, а агентный «класс» из LLM-агентов (больших языковых моделей — large language models) автоматически проектирует прогнозирующие головки, которые на большинстве задач бьют линейные проекторы (linear probes). При интеграции в персональный ассистент здоровья (Personal Health Agent) прогнозы SensorFM значительно улучшают качество сводок о здоровье по сравнению с базовым уровнем, не демонстрируя статистически значимых отличий от использования эталонных измерений.