AI小语言模型：推动移动医疗监测发展！随着移动和可穿戴设备的普及，持续健康监测技术快速发展。大语言模型虽在医疗预测任务中展现出强大泛化能力，但其云端推理模式存在隐私泄露风险，且伴随内存占用大、响应延迟高等问题。为此，研究者将目光投向轻量级的小语言模型，致力于开发可在终端设备高效运行的医疗监测方案。由此，“健康小语言模型基准测试平台”应运而生，旨在系统评估小语言模型在移动与可穿戴医疗监测中的性能表现。该平台整合PMData、GLOBEM和AW-FB三个公开数据集，覆盖疲劳、压力、睡眠质量、抑郁症、焦虑症、卡路里消耗及活动类型等八项健康预测任务，对九种先进小语言模型进行了全面测试。研究采用三种评估范式：零样本学习、少样本学习和基于指令的微调。在零样本场景下，小语言模型在多数任务中表现媲美甚至优于大语言模型，尤其在压力、准备状态和疲劳预测方面表现突出。少样本实验中，仅提供一个示例即可使小语言模型具备竞争力，且随示例增加，其性能在部分任务中持续提升。经指令微调后，小语言模型在疲劳和卡路里估计任务中超越大语言模型。为验证实际部署可行性，研究团队将性能最优的微调模型部署于iPhone 15 Pro Max。结果显示，小语言模型在延迟控制和内存效率上均显著优于大语言模型，其中两款模型在延迟与吞吐量方面表现尤为出色，充分证明其在资源受限设备上的运行能力。尽管成果显著，小语言模型仍存在一定局限，尤其在处理类别不平衡和少样本场景时表现不稳定，反映出其对少数类别预测能力的不足。未来研究应聚焦于优化提示设计、开发类别不平衡感知的训练方法及测试时自适应技术，以进一步提升模型鲁棒性。总的说来，该基准测试平台通过系统评估，证实小语言模型在保持高性能的同时，具备更优的隐私保护与设备效率，为下一代移动与可穿戴医疗监测提供了可行路径。尽管尚有完善空间，小语言模型已展现出成为未来医疗保健关键技术的巨大潜力，为相关领域研究奠定了重要基础。
