v.afm

Quant Researcher & AI enthusiast
Crypto e Finanças
Building in Public: SaaS em Fitness, Health & Wellness.

[v.afm @v__afm]

Strava knows you run. MyFitnessPal knows what you eat. Whoop knows how you sleep.

But NO ONE knows who you are.

Until now. We don't just collect data; we build your Biological Identity. We correlate your goals, meals, and recovery with your past injuries, allergies, and unique preferences.

Stop guessing why you felt weak today. Start understanding your body. Get a strategy that isn't just "personal"—it’s tailor-made, backed by the only data that matters: yours.

We don't use just AI, we use actual quant models to back everything. And all data will be yours, to share with your doctors, nutritionists and coaches.

🇧🇷

Strava sabe que você corre. MyFitnessPal sabe o que você come. Whoop sabe como você dorme.

Mas NINGUÉM sabe quem você é.

Até agora. Não apenas coletamos dados; construímos a sua Identidade Biológica. Correlacionamos seus objetivos, refeições e recuperação com lesões anteriores, alergias e preferências únicas.

Pare de adivinhar por que você se sentiu fraco hoje. Comece a entender seu corpo. Obtenha uma estratégia que não seja apenas “pessoal” – ela seja feita sob medida, apoiada pelos únicos dados que importam: os seus.

Não usamos apenas IA, usamos modelos quânticos reais para respaldar tudo. E todos os dados serão seus, para compartilhar com seus médicos, nutricionistas e treinadores.

[v.afm @v__afm]

LLM em produção continuam presos no mesmo trade-off chato: qualidade de inferência vs custo.

O paper mostra que muita gente trata isso em 2 eixos quase separados — roteamento do modelo e test-time scaling. Faz sentido, mas esse desenho desacoplado já nasce limitado.

Fonte: arXiv.

[v.afm @v__afm]

Óleo de peixe pode ajudar no controle do diabetes tipo 2, mesmo fora do cenário clássico de obesidade.

No estudo, a suplementação com omega-3 melhorou glicemia, colesterol e inflamação em ratos diabéticos. O ponto mais interessante é que o efeito parece vir de mexer na resistência à insulina ligada à inflamação.

Fonte: ScienceDaily.

[v.afm @v__afm]

Estou vendo um caminho bom para prever carga articular sem depender de laboratório.

Esse trabalho usa kinematics da marcha dos membros inferiores para estimar parâmetros dinâmicos do quadril direto por deep learning, e compara 3 modelos de sequência no mesmo protocolo.

Isso conversa com o que estou buildando no módulo de movimento: menos fricção para registrar dado útil, mais inteligência em cima do que a pessoa já faz.

Fonte: arXiv.

[v.afm @v__afm]

Diabetes tipo 2 costuma ser tratado como algo que depende só de remédio e dieta.

Uma meta-análise com 981 adultos mostrou que HIIT, por pelo menos 8 semanas, melhorou glicemia de jejum, HbA1c, resistência à insulina, insulina em jejum, HDL e triglicerídeos. Não houve diferença relevante em LDL ou colesterol total.

Faz sentido: é um protocolo curto, eficiente e com boa chance de adesão.

Fonte: PubMed.

[v.afm @v__afm]

Remédio para dormir não deveria ser a primeira linha de defesa.

O ponto central é simples: sono bom é base biológica, e comportamento + ambiente ainda vêm antes de qualquer medicação. Quando o problema é específico, o remédio pode ajudar — mas precisa casar com a queixa certa.

Fonte: Peter Attia.

[v.afm @v__afm]

Pessoas com câncer que treinam tendem a relatar e medir melhor a função cognitiva.

Uma revisão com 7.536 pacientes, em 12 semanas, encontrou melhora tanto no que o próprio paciente percebe quanto em testes objetivos. Faz sentido tratar exercício como apoio para CRCI, não só como algo “para manter o corpo em forma”.

Fonte: PubMed.

[v.afm @v__afm]

Joguei fora a ideia de confiar só no “achei que dormi bem”.

Em 12 atletas de futebol gaélico, o sono medido foi 55 min menor do que o sono que elas achavam ter tido.

Em ~3 meses, monitorar sono e ciclo menstrual parece útil para achar fases de maior risco e agir antes da queda de recuperação.

Fonte: PubMed.

[v.afm @v__afm]

Sempre achei meio fraco usar “descanso” como estratégia de prevenção de lesão.

Em 1.233 player-seasons da NBA, perder jogos por rest ou load management não reduziu o risco de lesão depois na mesma temporada.

Quando a ausência foi de 2+ jogos seguidos, o número de lesões ainda subiu 43%. Parece mais gestão de carga do que prevenção real.

Fonte: PubMed.

[v.afm @v__afm]

Tem mais app de saúde tentando usar LLM para apoiar decisão do que parece.

O ponto não é se o modelo “sabe medicina”; é se ele aguenta tarefa clínica real, com linguagem boa, conhecimento amplo e ainda assim resposta confiável. Isso importa direto no tipo de triagem que estou montando no app.

Fonte: arXiv.

[v.afm @v__afm]

Estava lendo um texto do Drauzio Varella sobre terapia por IA e fiquei preso numa pergunta simples:

se tanta gente prefere falar com uma máquina, o que está travando a conversa com outro ser humano?

Saúde mental, no fim, é conseguir funcionar no mundo.

Fonte: Drauzio Varella.

[v.afm @v__afm]

Força e mobilidade não são estética. São o que mantém a pessoa independente e funcional no dia a dia.

Manter massa muscular com o envelhecimento também ajuda contra sarcopenia e dá reserva de aminoácidos em fases de doença ou estresse.

Mesmo assim, o uso de treino de resistência segue baixo.

Fonte: Peter Attia.

[v.afm @v__afm]

O problema aqui não é só transformar série temporal em token.

Se o embedding perde as propriedades originais, o modelo vira um gerador de texto com cara de analytics.

Nesse tipo de TS-LLM, preservar essa estrutura parece ser o que separa um sistema útil de uma demo bonita.

Fonte: arXiv.

[v.afm @v__afm]

Tem remédio para diabetes que pode mexer no intestino de um jeito relevante.

Uma review mostrou que os inibidores de DPP-4 reduzem disbiose, baixam a relação Firmicutes/Bacteroidetes e aumentam a produção de ácidos graxos de cadeia curta.

Isso sugere benefício que vai além da glicemia: melhor equilíbrio energético e menos adiposidade.

Fonte: PubMed.

[v.afm @v__afm]

Viagem longa bagunça sono, treino e recuperação mais do que a maioria dos atletas imagina.

Esse review foca justamente nisso: em voos longos, onde o desalinhamento do relógio biológico e o jet lag são mais fortes, e propõe um blueprint científico para reduzir o impacto do travel no desempenho.

Fonte: PubMed.

[v.afm @v__afm]

Suplemento não funciona bem no vácuo.

Uma revisão com 17 estudos mostrou que suco de goiaba pode ajudar na absorção de ferro e melhorar hemoglobina, principalmente em mulheres e adolescentes que já tomam ferro.

Para anemia, o contexto da refeição importa mais do que parece.

Fonte: ScienceDaily.

[v.afm @v__afm]

Personalização real continua sendo o gargalo.

Mesmo com modelos state-of-the-art, ainda existe um gap grande entre o que a teoria promete e o que funciona no uso diário.

Isso bate direto no que estou buildando: no app, a triagem e a leitura de contexto ainda são mais difíceis que gerar resposta. É aí que o produto vive ou morre.

Fonte: Hugging Face Papers.

[v.afm @v__afm]

6 semanas de HIFT já mudaram desempenho e variáveis de treino em adultos treinados.

No RCT com 25 pessoas, o efeito foi de 3 a 6% com treino (p < 0,001). Aumentar proteína, vitamina D e ômega-3 não mexeu no que foi medido.

Isso reforça uma coisa que eu já acho: o estímulo do treino costuma importar mais do que tentar “otimizar” o resto antes da hora.

Fonte: PubMed.

[v.afm @v__afm]

229,9B parâmetros para ativar só 9,8B por token.

Isso é um jeito bem mais honesto de vender performance do que só inflar modelo. O M2 foi pensado para uso com agents, coding e busca longa. A parte mais interessante é o M2.7 já mexendo no próprio scaffold.

Fonte: Hugging Face Papers.

[v.afm @v__afm]

Um assistente que lembra do que você já fez em ambientes físicos para resolver tarefas melhores depois.

O POLAR organiza interações passadas num grafo de conhecimento multimodal, separando contexto semântico e memória episódica. Esse mecanismo melhora o uso do histórico de forma consistente.

Fonte: arXiv.

[v.afm @v__afm]

Hoje o trabalho pesado não é só gerar hipótese. É escolher o próximo teste certo e refinar o mecanismo sem ficar rodando em círculo.

Esse LLM-AutoSciLab faz isso em loop fechado: gera a hipótese, seleciona o experimento condicionado nela e atualiza o mecanismo. Para um SaaS de saúde, isso conversa direto com triagem e personalização sem virar formulário estático.

Fonte: arXiv.