你的手表攒了 500 天心率、睡眠、血氧，明天全交给一个"AI 健康教练"。它考了多少分？Meta 这篇基准给了刻度：4084 道十选一，来自 200 个真人的连续记录，14 个模型过堂，随机线是 10%。
先把帖子里两处数字扶正。72.9% 的榜首是 Gemini-3.1-Pro；GPT-4o 只有 34.7%，全体中位数 32.0%。市面上真在充当健康教练的那批模型，在十选一上考三十来分，是随机线的三倍，离能用的距离用光年计。Apple Watch 2018 年房颤检测过 FDA 是旧闻，属实；"手表直接测血糖"则至今没有量产，FDA 还挂着安全警告。
反直觉的一条在分项：大多数模型最差的轴是"数据推理"——老老实实读原始数字做统计，只有 15% 到 34%；讲健康故事反而强一些。模型背熟了生理学课文，就是不会算自己手上的表。唯一反过来的是榜首 Gemini，数据推理 75.4%，像个别数好的转校生。
这个基准的底子值得记一笔：200 人、最长 500 天、设备噪声和个体差异原样保留，文献锚定加人群锚定双保险（11 篇锚定文献，FDR 门槛卡答案）。真实世界的生理数据就这么脏，考题干净了就是骗人。
手表越来越懂你，模型还不太懂手表。拿它当健身搭子行，当医生再等等。就这么回事。