声明:本文来自于微信公众号 光锥智能，作者:白 鸽，授权站長之家转载发布。

專注醫療後，百川智能交出第一份答卷!

8月11日，百川智能發布第二款開源醫療增強推理大模型Baichuan-M2，其以32B的參數量，在OpenAI的Healthbench評測集上，超越其剛剛發布5天的開源模型gpt-oss-120b。

除gpt-oss-120b外，Baichuan-M2還領先GPT-5以外所有開源與閉源前沿模型，以更小尺寸模型實現醫療能力反超，在所有開源模型中登頂世界第一。

同時，在落地應用浪潮下，大模型所追求的，不再只是效果好，還要能低成本落地。

尤其是在醫療健康領域，模型涉及更多敏感隱私信息，醫療健康機構對私有化部署有著強烈的需求，而私有化部署往往意味著高昂的部署成本。

Baichuan-M2的落地門檻則非常低，其支持RTX4090單卡部署，進一步提升了模型在真實醫療場景中的落地可能性與可擴展性。

这短短5天 “攻防战”，不仅改写了全球医疗大模型的实力排名，更重要的一点在于，在中美通用大模型差距持續擴大的背景下，中國團隊可以在AI垂直行業大模型賽道中，實現彎道超車。

當前，醫療是大模型最重要、最有潛力的應用領域之一，正在逐漸成爲全球共識。不過，作爲應用底座的醫療大模型，現階段行業中並未有特別突出的産品。

即使是OpenAI最新發布的GPT-5，其數學能力滿分，代碼、寫作、知識能力的成績也都很高，但醫療領域的得分依舊很低。

這也說明，醫療大模型仍有很長的路要走。

而中美垂直行業大模型的能力差距並不大，作爲中國頭部大模型企業代表，百川智能此次在醫療大模型上，已實現與OpenAI的並駕齊驅。

那麽，作爲國內最早全力押注醫療AI賽道的大模型創企，百川智能又是如何做到彎道超車的?

力壓全球醫療大模型

拆解Baichuan-M2硬實力

长期以来，模型在医学考试（如 USMLE）上的表现被视为衡量其医疗能力的重要指标，但随着相关题库的饱和，这类选择题或短回复的评测已难以全面反映模型的真实临床实用性。

畢竟，醫療AI並不等于“刷題機器”，考試分數再高，也未必意味著在真實醫療場景中好用。

因此，醫療能力的評測需要有系統化的方法，驗證模型在推理決策、臨床溝通等關鍵能力上的綜合表現。

今年5月，OpenAI發布權威且貼近真實臨床場景的HealthBench醫療健康評測集。

該測評集包含了5000個廣泛場景覆蓋的醫患多輪對話，並通過由262個人類醫生編寫的48562個醫療評價規則來對模型能力進行評估，是全球公認的醫療大模型“能力試金石”。

該數據集主要包含2個版本:

• HealthBench:標准版本，包含5000條對話和對應准則。

• HealthBench Hard:包含1000个特别具有挑战性的案例。

在HealthBench中，Baichuan-M2得到60.1高分，反超OpenAI最新开源模型gpt-oss120b（得分57.6），还力压Qwen3-235B、Deepseek R1、Kimi K2等当前世界所有开源大模型。

同时，Baichuan M2在医疗对话任务中展现出显著优势，如紧急医疗响应、医疗上下文理解、医患沟通能力、全球健康知识覆盖及医学思维完备性等核心医疗场景性能全面领先。

HealthBench Hard，是一个针对更复杂困难场景的数据集，用于验证模型多维度、全景化解决疑难复杂医学问题的能力。

據悉，此前該測試集發布時，世界上所有頂尖模型得分都沒超過32分，許多前沿模型得分甚至爲0。

GPT-5发布时，OpenAI也特别强调，其是HealthBench Hard评测全球唯一超過32分的模型。

但現在Baichuan-M2打破了這一紀錄，其以34.7分成爲全球第二款超過32分的模型，力壓世界所有其他頂尖闭源大模型。而Baichuan-M2和GPT-5也是目前全球唯二超過32分的模型。

事實上，盡管HealthBench已收集大量真實醫療場景，但現實情況往往更加複雜多樣。

不過，基于其評測，也至少能夠證明在多數醫療場景上的問答質量，GPT-5和Baichuan-M2已經超越資深醫生，特別是在知識更新速度和全面性上，完全可以給人類醫生強大支持。

那麽，百川智能的Baichuan-M2醫療大模型，是如何以32B參數，實現以小博大?其核心思路，就是讓大模型像醫生一樣思考、應對真實醫患場景。

从技术角度来说，其背后则是百川智能在大型验证系统（Large Verifier System）、端到端强化学习、AI患者模拟器、多类型医疗数据用于深度推理等4个方面的创新探索。

近一年来，大语言模型后训练范式的升级，特别是基于RLVR（Reinforcement Learning with Verifiable Rewards）方法的大规模强化学习训练，带来了大模型效果的显著提升，尤其是在有明确答案的数学、代码、科学等领域。

但是，強化學習在數學、代碼、科學等領域之所以能夠顯著提升模型能力，是因爲這些領域的數據是靜態的，由簡潔的問題和答案構成。

而醫療問題卻是複雜問題，沒有標准答案，同一個症狀可能存在不同病因，同一病因，患者的體格、病史、用藥史、藥物耐受程度不一樣，治療方案也會不同。

因此，醫療領域的強化學習不僅要驗證診斷結果、治療方案的准確性，還要驗證大模型的問診對話過程是否符合醫生思維，是一個動態驗證的形式，也就導致傳統強化學習規則在醫療領域表現並不好。

针对这一现状，百川智能则以构建Large Verifier System为核心，在通用Verifier之外，结合医疗场景自身特点设计了一套较为全面的医疗Verifier系统。

用通俗的話來理解，如果將大模型比作一位醫學實習生，那麽這個系統就像是一個要求極高、異常挑剔的醫療專家。它會從醫療正確性、完備性、安全性以及對患者的友好性等多個維度，細致地評估模型的輸出，指出其不足並引導模型改正，使其思維方式更貼近專業醫生。

但想要讓這個系統成爲嚴謹的醫療專家，最大的難點在于，人類醫生在聽取患者描述病情時，很容易分辨患者描述中的邏輯漏洞、從含混不清的表達中辨別出真實病因。現實中患者幾乎無法全面准確表達自己的症狀，僅基于靜態的病例、指南等醫療數據訓練，模型無法掌握人類醫生的這一能力。

而爲了突破這一瓶頸，百川技術團隊升級叠代了今年初首創的“AI患者模擬器”。

今年1月，百川在arXiv上發表AI患者模擬器，用真實數據構造上萬個不同年齡性別症狀的AI患者，能夠模擬千差萬別患者的症狀和表達，特別是包含錯誤噪聲的表達，最大程度還原真實醫療場景。

7個月後，百川升級患者模擬器並引入模型端到端強化學習，訓練的Baichuan-M2在HealthBench等評測上取得更大突破。

这个模拟器的具体作用就是让AI在训练时，不断和这个虚拟病人聊天，而在聊天的过程中，“考官” 会实时根据聊天情况，动态调整打分标准，帮AI练出“随机应变”的能力，即就算病人说的信息乱、不全，也能重新判断病情，以及会看病人说的信息够不够，决定是继续问还是直接给结论。

而为了AI能够更好的学习医学知识，百川智能还采用了多阶段强化学习策略（Multi- Stage RL），将复杂的强化学习任务分解为几个易于管理的、分层的训练阶段。

就像學車要先練直線、再練轉彎、最後上馬路，AI學當醫生也分階段練，先練“醫學常識”，再練“和病人聊天的技巧”，最後練“複雜病例的診斷”，一步步提升，避免一下子學太難而懵圈。

综合来看，用“智能考官”判断AI表现，用“真实病例 + 虚拟病人”模拟实战，分阶段训练让AI既懂医学知识，又能灵活应对真实医患场景，百川智能最终使大模型具备了一个靠谱医生的能力。

但在當前AI大模型落地應用浪潮中，大模型不僅僅要有能力，更重要的還是能落地，尤其是在垂直行業中，很多時候都面臨著大模型效果是很好，但部署運營成本太高，終成demo的情況。

醫療大模型落地既要效果好還要成本低

早在2016年的深度學習浪潮中，AI就已經開始在醫療場景落地，但彼時更多是聚焦在語音語義、圖像等方面的應用，以及單點功能（病例錄入、智能閱片）的落地。

但這一代醫療大模型開啓了全新範式，其能力與上一代醫療AI相比已經産生了質的飛躍，醫療大模型不僅僅是醫學知識的問答引擎與效率提升的工具，它能夠通過Agent的方式全流程融入到診中、診前、診後的各個環節，爲AI落地醫療真實場景打開了更廣闊的空間。

百川智能醫療大模型的叠代和落地正是這一顛覆性變化的側寫。

在實踐應用中，今年2月，以Baichuan-M1爲底座的AI兒科醫生在國家兒科醫學中心多學科會診中大放異彩，獲得會診專家一致認可。M2則在醫療溝通、診斷合理、檢查合理、醫療治療、醫療安全六個維度相較于M1均顯著提升。

這背後最關鍵的一點在于，Baichuan-M2爲了更適配中國醫療場景，也從中國醫學指南對齊、醫療政策適配和患者需求洞察等多個維度進行了深度優化。

在中國臨床診療場景的問題評測中，對比gpt-oss系列模型，Baichuan-M2展現出更明顯的可用性優勢，其中部分優勢就來源自中國醫療場景的適配性，例如針對臨床診療的案例，M2更貼合中國醫療場景，更遵循中國權威指南推薦。

以某一个真实的肝癌治疗案例中，针对CNLC IIa期（BCLC B期）的肝细胞肝癌患者，M2首選推薦在具備手術條件的情況下進行解剖性肝右葉切除(或根據腫瘤具體位置，可考慮擴大右半肝切除、右三葉切除等)，目標是R0切除。

原因在于，依據國家衛健委發布的《原發性肝癌診療指南》（2024版），肝切除術是潛在根治性治療，可提供最佳的長期生存獲益。

同樣的案例，gpt-oss-120b建議首選治療經動脈化療栓塞術（TACE），理由是符合BCLCB期治療指南，當前情況下手術切除和移植風險不理想。

臨床醫學專家認爲，類似這樣的情況還有很多。

僅就這個案例來說，手術切除或TACE都是可選方案，只是中西方指南不同，不是醫學上的高下之分，而是基于本地患者特點、醫療資源與當前醫學發展水平權衡之下的最優解。

畢竟，醫療大模型能否將全球醫學知識、醫學證據轉化爲符合本地優勢特長的臨床決策，也是爲醫生和患者提供切實服務能力的關鍵。

Baichuan-M2則爲此所做的專門優化，讓中國臨床場景有了專屬的頂尖模型。此外，更爲重要的一點在于，Baichuan-M2能夠讓中國萬千醫療機構以更低的成本部署使用。

業內皆知，醫療大模型落地面臨“兩難”，即追求高精度往往意味著高成本，如閉源模型授權費、定制化開發投入，而低成本方案又難以滿足臨床核心需求，尤其是在複雜場景的推理上。

Baichuan-M2則通過技術優化和開源的方式，降低了醫療機構的部署成本。

百川智能通過多種PTQ量化策略，對Baichuan-M2進行權重4bit量化，量化後模型精度接近無損，可在RTX4090上單卡部署，相比DeepSeek-R1H20雙節點部署方式，成本降低了57倍。

同時，其基于Eagle-3訓練了Baichuan-M2-Spec版本，單用戶場景下token吞吐可獲得74.9%的提升。

另外，開源大模型特性是支持二次開發，可根據具體場景輕量化訓練，避免“大而全”的冗余成本，模型權重、訓練代碼全開放，企業/機構無需支付授權費。

百川M2开源医疗大模型为中国医疗AI提供了“低成本突破”的路径，推动医疗AI技术的普惠应用。它通过“高精度推理 + 开源低成本”的组合，证明医疗大模型落地无需在效果与成本间妥协。

直面全球差距

中國醫療AI的突圍之道

今年是AI大模型浪潮興起的第三年，但在全球市場中，中國通用大模型一直處于跟隨者地位。

近期在由谷歌Kaggle推出的首届全球AI象棋争霸赛中，一众中国大模型也表现并不佳，首轮睙狳中就被淘汰出局。

我們可以看到，在通用大模型上，中美之間始終存在著差距，無論是在能力上，還是在技術創新層面，差距也仍在不斷擴大。

但相比較來說，中國更擅長的地方，則在于推動大模型走向落地應用，而這也是我們在AI垂直行業賽道能夠彎道超車的關鍵。

百川智能作为中国大模型创企之一，选择医疗这一“中国有需求、有数据优势” 的领域深耕，用反超OpenAI的成绩证明 “中国可以在垂直赛道做全球第一”。

而通過開源大模型的模式，也可以降低醫療AI技術門檻，讓全球研究者、醫療機構可直接複用模型，在細分的醫療領域構建出自己的專屬模型，加速醫療AI的落地與創新。

此次发布会后，M2模型将进入全面落地期，百川将与国家儿童医学中心、北京大学第三医院、海淀卫健委等探索AI医疗的深度应用，真正推动AI医疗从 “实验室” 走向 “临床一线”。未来，随着模型的落地，将为基层医疗、疾病诊断等场景带来革新，推动“AI医疗惠及全民”。

（舉報）