通用模型承诺在不需要为每个任务训练分类器的情况下直接对传感器数据做出决策，从而降低人体活动识别（HAR）对标注数据的依赖。然而，这类模型能否直接解释物理传感器信号的确定性描述，并在实际任务中替代或补充已训练的 HAR 模型仍未可知。
本文使用 Jev——一种固定的通用概率决策模型——在 WISDM、UCI341 和 PAMAP2 三个数据集上进行实验。每个数据集提供 1,800 条类别平衡的加速度计窗口，总计 5,400 条决策样本。Jev 在推理过程中不使用任何标记样本、检索上下文或 HAR 专用参数更新。
我们评估了三种确定性传感器表示方式，并将 Jev 的表现与一个生成式基线以及三种监督学习的 HAR 模型进行比较。结果显示，Jev 的宏观 F1 分数最高仅为 0.038（WISDM）、0.118（UCI341）和 0.089（PAMAP2），远低于监督模型的 0.686~0.907。
增加数值特征并未提升 Jev 的识别能力，反而在所有数据集上导致性能下降。若在数值证据上叠加确定性的语义渲染，性能会出现部分恢复，但该实验未能将语义因素与序列化和冗余变化分离。
Jev 查询速度快、成本低，但其输出概率缺乏可靠的校准。后置融合分析在 WISDM 上带来轻微提升，却未在 UCI341 与 PAMAP2 上复现。
这些结果表明，无训练的传感器决策不仅取决于信号本身携带的信息，还取决于模型能否有效利用所提供的表示。因此，传感器到模型的接口应被视为模型评估的一部分，而非中性的预处理步骤。
点评：本文通过系统实验揭示了训练‑自由 HAR 的根本局限，提醒研究者在设计通用感知模型时必须同步考虑数据表示与模型能力的匹配。