消费级可穿戴设备使用运动和生理传感器来估计活动和睡眠，但这些信号仅提供血糖调节的间接视图。连续血糖监测仪（CGM）每隔几分钟跟踪间质血糖，捕捉空腹、夜间和餐后模式。然而，当临床标签稀疏且昂贵时，解释这些轨迹具有挑战性。许多现有的CGM基础模型通过单一表示流处理血糖，但CGM包含由短期偏差打断的缓慢基线模式。

Gluco FM是一种具有双流设计的自监督基础模型，将缓慢的血糖趋势与短期偏差分开，同时保留一天中的时间和缺失性。在四个队列的七项临床预测任务中评估，Gluco FM的PR-AUC平均比最佳表现的Glu Former变体高5.8个百分点。它在所有糖尿病风险和β细胞功能障碍评估以及四项胰岛素抵抗评估中的三项中领先。

在餐后血糖反应预测中，Gluco FM在Dexcom和Libre设备上实现了最低的平均绝对误差，具有最佳的跨数据集迁移和强大的少样本适应能力。在109,066小时的未标记CGM数据上预训练，Gluco FM使用潜在预测预训练，包括上下文预测和时间动态任务，以及CGM感知的数据增强来处理缺失和伪影。