Life Model：为每一个具体的生命建模

基础模型已经很擅长理解一张图片、一段视频、一段对话。但生命不是一个片段。一只猫、一个学生、一位老人，都是在时间中持续展开的个体：有自己的习惯、节律和变化方式，今天的状态由过去几个月的轨迹塑造。同一个行为，放在不同个体身上、放在同一个体的不同阶段，含义都不一样。

在 Being Labs，我们研究 Life Model：一种面向“具体个体”的持续建模方法。它读取同一个体长期、多模态的观察，维护一个随时间更新的个体状态，并基于这个状态预测它的未来——什么是它的正常，什么正在偏离，接下来可能发生什么。

我们的第一个场景是宠物。宠物可以被长期、连续、低隐私风险地观察；行为事件和就诊结果可以作为客观标签；而一只猫“比自己平时少喝了 30% 的水”这样的信号，恰恰是通用模型最难看见、却对主人和兽医最有价值的信息。

Life Model 面向三类能力：

• 个体状态建模：把连续的视频、音频、设备事件和主人记录转化为一个可更新的个体状态，而不是对单个片段做一次性描述。
• 长期变化理解：在 7 天、3 个月、全历史等多个时间尺度上学习个体自己的日常基线，识别“相对自身习惯”的偏离，而不只是相对群体平均值的异常。
• 个体条件下的预测：综合群体规律、个体历史和当前环境，输出 1 / 7 / 30 / 180 天的状态、风险与校准过的置信度，并同时给出可读的解释。

这些能力目前处于研究验证阶段。本文介绍我们的问题定义、模型设计、已有的外部证据，以及我们打算用什么实验来证明——或者证伪——这条路线。

个体，而不是片段

通用多模态模型看到的是“此刻”：这段视频里猫在睡觉。Life Model 需要回答的是“对这只猫来说，这意味着什么”。

我们把问题写成一个明确的预测目标：

P( 未来结果 y(i, t+Δ)  |  个体 i 截至 t 的历史 X(i, 1:t),  当前环境 c(t) )

个体状态 = θ（群体共享规律） + φ_i（个体稳定特质） + s_(i,t)（个体时变状态）
            从大量个体中学到       这一个个体特有          随时间持续更新

θ 让模型在新个体上也能起步；φ_i 让模型记住“这只猫本来就是夏天喝水多”；s_(i,t) 让模型跟上“这只猫最近两周在变”。难点在于：健康事件稀少、数据有噪声、个体差异大，模型必须在这样的真实条件下提前识别变化，并给出可信的概率，而不是一句笼统的描述。

相对自身基线

Life Model 为每个个体维护多个时间尺度的基线。短期基线捕捉最近的波动，中期基线捕捉季节和生活变化（搬家、新成员），长期基线代表“这只猫是谁”。真正值得提醒主人的，往往是多个尺度同时指向的、持续的偏离。

可以核对的判断

一个只会说“可能有问题”的模型对主人和兽医都没有帮助。Life Model 的每次输出同时包含两部分：结构化的预测（当前状态、短期 / 长期风险、置信度），以及可以被兽医核对的文字解释——它看到了什么、参考了哪段历史、为什么这样判断。

模型如何工作：中心模型 + 异构专家

我们把方案称为 HE-VLM（Heterogeneous Expert-Augmented VLM）。

中心是一个开源多模态大模型（VLM），它是唯一做判断的模型。围绕它的是几类已经在各自领域被证明有效的“专家”：

• 知识追踪（KT）专家：源自教育领域的学习者状态建模（PSI-KT），我们把“掌握度 / 学习率 / 遗忘率”泛化为“健康状态 / 恢复率 / 退化率”这样的个体潜状态。
• 时序专家（TS）：时序基础模型（Chronos-2、Toto 等），分别在短 / 中 / 长三个尺度上抽取传感器与行为序列的表征。
• 时序知识图谱（KG）：个体的可读档案——事实、基线、规则、待验证假设，带时间有效窗口和来源，可以被兽医和主人查看与纠正。
• 研究专家（DR）：在遇到模型不知道的医学或行为知识时，按需检索外部资料。

关键的区别在于：专家不是把预测结果“翻译成一句话”喂给大模型，而是把自己的隐状态经 projector 映射成大模型可读的 latent token，在统一的隐空间里完成融合。这借鉴了 LLaVA、BLIP-2 把视觉编码器接入语言模型的方式，以及 TransNAR 将预训练专家的隐状态经 cross-attention 注入 Transformer 的做法。这种方式在纵向个体建模上是否优于“文本化输入”，是我们第一阶段要直接回答的问题之一。

按需取证，而不是全部拼接

不同问题需要不同证据：长期预测主要看长程时序，状态理解主要看 KT，异常归因主要看知识图谱，未知知识才去做外部检索。把所有专家特征一次性塞进上下文既昂贵，又会互相干扰。因此中心模型会自己决定本轮调用哪些专家、以多大权重融合。

自进化的 Agent Loop

第 1 轮第 2 轮第 3 轮第 4 轮

示意流程，数字仅用于说明

个体判断很少能一步完成。一个兽医会先看趋势、发现异常、再翻历史同期、再结合知识归因。Life Model 以同样的方式工作：在一个多轮循环里，每一轮可以做两类“自我修改”：

• 修改非参数记忆：把新证据、修订后的个体基线、待验证的假设显式写入个体档案。例如「6 月 12 日起夜间活动较自身基线 −35%」「该猫夏季饮水本就偏高，阈值上调」。这类记忆不需要训练，可读、可溯源、可回滚。
• 更新参数化状态：把专家的稠密表征融合进模型的内部状态，承载那些难以用语言说清的个体规律。

两者在每一轮里互为输入：检索到的记忆被编码进内部状态，内部状态中的新发现又被写回记忆。当证据充分、置信度达标、两类记忆一致时，循环结束并输出预测。

被真实结果检验的预测

每一个预测最终都会被现实检验：猫是否真的去了医院，主人是否确认了行为变化。这些结果在三个时间尺度上回流：

• 秒级（轮内）：专家融合，更新内部状态。
• 日级：结果写回个体档案，修正基线与假设——便宜、即时、可回滚。
• 周 / 月级：累积的“预测—结果”配对数据用于训练 projector、adapter 与专家，沉淀为模型本身的能力。

这正是数据飞轮在模型侧的两级落点：先改记忆，再改参数。

已有的外部证据

Life Model 不是凭空提出的。它来自我们自己做过、正在做的事：为海量个体建模的工业经验、宠物数据的采集系统、把异构模型接入大模型的一系列方法，以及脑与认知科学的研究基础。但我们也想明确地说：这些积累都没有证明 Life Model 本身。它们把我们真正需要自己证明的问题，压缩到了一个更窄、更清晰的范围。

我们做过的：为海量个体建模

我们的核心成员曾在 Meta（Facebook）与 Verizon 负责用户画像与 ID modeling。在 Meta，多模态融合的用户理解模型被用作全平台自动基线中的头部特征，长期支撑广告业务的收益增长。ID modeling 本质上就是 Life Model 公式的工业化版本：所有用户共享一套模型（θ），每个用户有一个从长期行为中学出的 ID 表征（φ_i），再叠加近期行为形成的时变状态（s_(i,t)）；新用户先靠群体规律起步，所有预测都用真实反馈来训练，并按用户与时间切分来评测。Life Model 要做的，是把这套“个体建模”的方法，从点击与转化迁移到一个生命体的健康与行为。

我们正在做的：宠物信号采集

我们正在与小佩 PETKIT 合作搭建宠物信号采集系统，把喂食、饮水、如厕、活动等设备事件，与视频和主人记录汇集到同一个个体的时间轴上。【待补充：接入的设备与信号类型、个体数与时间跨度、结果标签与授权安排】Life Model 最难获得、也最关键的，是“有授权、同一个体、跨时间、带真实结果”的数据；这套系统是检验“个体历史能否带来预测增益”的数据前提——它提供数据入口，还不是模型效果的证据。

我们的方法积累：把异构专家接入大模型

Life Model 的中心模型需要读取、融合并持续吸收来自不同专家的个体状态。我们在华东师范大学的合作团队，已经分别验证了这条链路上的三个环节：

• 把专家状态变成大模型能读的 token。 LLM-KT 把传统知识追踪模型学到的学生状态，通过 adapter 以题目与知识点专属的 token 插入大模型，并把长历史压缩成可插入的 embedding；在 4 个数据集上优于约 20 个强基线。这是 <KT_STATE> 等专家 token 的直接原型。
• 让结构不同的模型融合在一起。 HeteroFusion 让来自 Llama、Qwen、Mistral 等不同家族的语言模型按功能结构而非参数坐标对齐，并在融合时抑制互相冲突的信号，稳定优于现有的合并、融合与集成方法。Life Model 要把同样的思路，从“语言模型之间”推广到“生命专家与中心模型之间”。
• 持续学习而不遗忘。 LifeAlign（AAAI-26）让大模型在一连串新任务上持续对齐而不遗忘，方法是把去噪后的短期表征巩固进长期记忆。这对应 Life Model 的自进化：每天先写记忆，再定期沉淀为参数，而不丢掉已经学到的东西。

这些工作证明的是方法组件可行；它们处理的是教育答题、语言模型与偏好对齐，在宠物的连续、多模态、纵向数据上是否同样有效，仍然要由我们自己的实验回答。

我们的科学基础：脑与认知科学

我们的研究者来自华东师范大学脑与认知科学方向。NYU–ECNU 脑与认知科学研究院长期研究感知、语言、学习与记忆和决策；华东师范大学儿童脑成像中心于 2021 年成立，报道称为国内首个儿童脑成像中心，此前已对 500 多名儿童青少年开展多年的脑智发育追踪研究。这类“同一批个体、跨越多年、多模态”的纵向研究，与 Life Model 的数据组织方式同构；而“经验如何在意识之下持续塑造行为”的内隐学习与记忆研究，为“个体状态如何形成与更新”提供了机制上的约束。

已有研究与我们自己的积累，让“长期、多模态、个体化的状态与轨迹建模”成为一个有相当依据的方向；最后一行是 Being Labs 需要自己回答的问题。

我们如何判断它是否有效

真正的问题不是“个体历史有没有用”——外部证据已经较强地支持这一点。真正的问题是：当一个强大的通用模型已经能通过记忆和检索读到完整的历史时，学习得到的个体状态与动力学，还能不能带来稳定、显著、且在成本上值得的额外增益？

三个 Gate

G1

个体信号

同一个体的历史有用吗？

→

G2

建模增益

学到的状态胜过强检索吗？

→

G3

经济可行性

需要多少历史才够？

基线与评测

我们在同任务、同数据、可比算力下比较四组方法：

• B0：只看当前观察的通用 VLM（另以闭源通用模型作参考上限）
• B1：通用 VLM + 个体历史（长上下文 / RAG / 知识图谱记忆）
• B2：纯时序或纯知识追踪模型
• B3：HE-VLM（本方案）

所有测试都按个体切分（从未见过的新宠物）和按时间切分（未来时段）分别报告，并画出“历史长度（1 周 / 1 月 / 3 月）→ 效果”的曲线，检验长期历史是否带来稳定增益，而不是被通用模型 + 检索基本覆盖。

我们为第一阶段设定的目标是：相对 B1，7 天异常 / 健康事件预警 AUPRC 相对提升 ≥20%，同等召回下误报下降 ≥30%。这些是用来判定路线的目标值，不是已经取得的结果。

关键消融包括：专家输出转文本 vs 专家 token 注入；单轮前向 vs 多轮 Agent Loop；只更新内部状态 vs 同时写入个体档案；有无结果回流的自进化。

一个模拟实验

在拿到真实纵向数据之前，我们先在模拟数据上搭建了 G1 的最小版本：在当前活动水平相同的条件下，比较个人常态水平、群体恢复曲线、个人拟合，以及“个体状态模型 + 群体收缩”，并加入错配历史作为对照。这个实验只能说明“在该模拟设定下，匹配的个体历史有预测价值”，不能证明真实猫的生理状态或新架构的优势——它是实验协议的演练，而不是结论。

技术细节

数据

• 宠物（主线）：可持续追踪同一只宠物的摄像头视频与音频；智能喂食器、饮水机、猫砂盆、项圈等设备事件；主人记录与就诊、体检结果（作为真实结局）；环境信息（季节、搬家、新成员等）。
• 教育（辅线）：学习记录、错题与知识状态，天然适配知识追踪专家。

每个个体的数据以 Life ID 组织为“时间轴 + 多尺度摘要 + 结果事件”三层。训练样本统一为“截至某一时刻的多模态历史 + 专家特征 + 未来窗口的真实结果”，严格防止未来信息泄漏。

第一阶段计划覆盖 300–500 只宠物、每只 ≥3 个月的观察，其中至少 50–100 只出现可由兽医复核的健康 / 行为事件。

训练

我们最担心的事

• 信号是否足够：健康事件稀少，标签噪声大。
• 增益是否会被吃掉：长期历史的价值可能被通用模型 + 检索基本覆盖。
• 模型是否真的使用专家 token：数据有限时存在“忽略新模态”的风险。应对：单独的对齐阶段、专家 dropout、辅助预测损失。
• 记忆污染：模型写入错误结论后自我强化。应对：写入带置信度与来源、设置时间有效窗口、结果回流时回滚被证伪的记忆、兽医定期抽检。
• 成本：长历史的训练与推理开销。应对：专家特征离线缓存、长历史压缩为专家 token、循环内按需调用。

我们把这些写在这里，是因为第一阶段的意义正是回答它们。

从宠物开始，走向更多生命

近期

宠物持续观察与健康预警

理解日常规律，提前发现相对自身基线的变化。

近期

教育中的个体学习状态与长期记忆

结合长期记录理解学习状态与参与度变化。

中期

宠物医疗与保险

纵向健康档案、风险分层、慢病随访。

中长期

虚拟角色与具身智能

角色的长期一致性和随交互演化的行为逻辑。

长期

老人照护与陪伴

在隐私合规和医疗级验证的前提下探索。

统一的“专家模态”框架意味着：进入一个新场景，只需要接入新的专家或 projector；积累则保留在专家、数据、评测与训练 recipe 上，并可以随基础模型的升级替换骨架。

与我们一起构建

Life Model 的核心壁垒不是某一个模型，而是有明确授权、同一个体、跨时间、带真实结果的数据，以及能够诚实检验它的纵向评测体系。

我们正在寻找以下合作伙伴：宠物智能硬件厂商、宠物医院与兽医团队、宠物保险机构，以及对长期个体建模感兴趣的研究者。如果你希望参与数据共建、试点部署或联合研究，请联系我们。