新智元報道

編輯：桃子

AI醫療，正成為全球科技巨頭的必爭之地！剛剛，百川智能第二款醫療增強大模型Baichuan-M2正式上線，首發即稱霸全球醫療開源AI，擊敗OpenAI開源模型gpt-oss-120b。

在AI賽道上，醫療領域正成為全球科技巨頭爭奪的「C位」。

想象一下，未來每個人兜里都能揣個「AI私人醫生」，隨時隨地給出診斷，這個畫面是不是超燃？

GPT-5發布會上，一個真實的故事，讓所有人感受到了AI醫療的震撼力量。

39歲Carolina在一周內，被診斷出三種癌癥，面對晦澀的活檢報告，她手足無措。

當上傳報告到ChatGPT后，幾秒鐘內，復雜的醫學術語被翻譯成淺顯的語言，讓Carolina在恐慌中找到了一絲頭緒，對病情有了初步的了解。

這個鮮活的案例，再次點燃了AI醫療的無限可能，也讓人們看到技術如何賦能個體的深層意義。

在這條萬億美金的賽道上，中國隊再次出手了。

今天，百川智能重磅發布Baichuan-M2，一款32B參數的醫療增強開源大模型。

在基準測試中，M2直接吊打OpenAI開源僅5天的gpt-oss-120b，登頂全球開源醫療模型第一。

而且，它還一舉擊敗了除GPT-5之外的所有閉源模型。

接下來，就來扒一扒這款「醫療卷王」的硬核實力。

全球開源醫療王者，C位出道

繼14B參數M1之后，Baichuan-M2是百川第二款醫療增強開源大模型，專為真實臨床場景定制。

通過端到端強化學習，它在保持通用能力的同時，醫療推理能力直接「起飛」。

在OpenAI的HealthBench評測中，M2的表現非常驚艷，僅以32B參數直接干翻gpt-oss-120b，碾壓Qwen3-235B-A22B-Thinking-2507、DeepSeek-R1-0528、GLM-4.5、Kimi-K2等開源前沿模型。

甚至，M2把o3、Grok3、Gemini 2.5 Pro、GPT-4.1等閉源頂尖模型也都按在地上摩擦。

要知道，HealthBench并非是簡單的「刷題」測試，而是基于多輪醫患對話的硬核考核。

今年5月，，由全球60個國家，262名執業醫生共同打造。

這個基準包含了5000個基于現實場景的多輪醫療對話，每個對話都有醫生定制的評分標準，來評估模型的響應。

具體來說，它覆蓋了緊急響應、醫療上下文理解、溝通能力、全球健康知識、醫學思維五大維度。

與此同時，OpenAI還推出了HealthBench Hard，從總數據集中調整選中1000個特別復雜的難題作為Hard子集。

此前，在HealthBench Hard評測中，頂尖模型得分沒有一個可以超過32%，甚至很多前沿模型只能拿到0分。

Arora R K, Wei J, Hicks R S, et al. Healthbench: evaluating large language models towards improved human health[J]. arXiv preprint arXiv:2505.08775, 2025.

而Baichuan-M2和GPT-5成為全球唯二的「學霸」，直接拉高了性能天花板。

這從側面恰恰印證了，M2在解決復雜醫療場景任務上的優秀能力。

值得一提的是，Baichuan-M2醫療推理能力強化的同時，并沒有犧牲模型的通用能力。

相反，通過高質量數據訓練，讓M2在數學、指令遵循、寫作等通用指標上性能飆升。

與最新開源的Qwen3-32B相比，M2在多方位評測中全面領先。

相較于gpt-oss-120b，M2以更低部署成本推高了「帕累托前沿」，讓醫院用起來毫無壓力。

采用4bit量化后，模型可在RTX4090單卡部署，成本比DeepSeek-R1 H20雙節點部署降低了57倍。

同時，它還適配國產芯片，讓醫療機構利用現有硬件即可快速部署。

基于Eagle-3訓練的MTP版本，在單用戶場景下token吞吐提升了74.9%，更適用于急診等高時效場景。

在多項「考試」中，Baichuan-M2全部通關。那么，在具體實測中，它的表現又如何呢？

代碼數學，通通拿下

首先，來考考M2的通用能力。

草莓「圖靈測試」，根本不用思考，一步解決。

接下來，讓它生成一個繪制太陽系運行動態HTML。在推理過程中，它縝密地列出了設計思路和子任務，隨后瘋狂輸出代碼。

最后，我們就得到了一個設計精美、且直觀的太陽系動態運行圖。

再給它扔一道，最近連GPT-5都翻車的數學方程式求解題，M2神速輸出了正確的結果。

可以看到，不論在簡單問答，還是數學、代碼實測中，Baichuan-M2的表現非常穩定。

而要說M2最拿手的，當然還是專業的醫療任務。

更懂中國人體質，嚴格遵循中國指南

AI醫療的落地，必須考慮地域差異，諸如中外患者特點、醫療服務資源與優勢等等。

比如，肝細胞肝癌在中國，以乙肝相關肝癌為主，而西方更多的是酒精或丙肝相關患者。不同類型的患者，手術風險也不盡相同。

再加上，中國外科手術經驗豐富、手術期管理成熟，中西方指南對于優先哪種治療方案也各有不同。

舉個栗子，在面對CNLC IIa期（BCLC B期）肝癌患者時，M2果斷推薦了手術切除——解剖性肝右葉切除。

或者是，根據腫瘤具體位置，考慮擴大右半肝切除、右三葉切除等，目標是R0切除。

在此過程中，它嚴格遵守了國家衛健委發布的《原發性肝癌診療指南》（2024版），肝切除是潛在根治性治療，追求長期生存。

針對同一病癥，gpt-oss-120b卻首選推薦了TACE（經動脈化療栓塞），給出的理由是：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。

通過對比，它忽視了手術可行性，略顯水土不服。

臨床專家表示，這樣的差異在大模型中常見，并非是高下之分，而是基于不同因素權衡之下的最優解。

Baichuan-M2從中國指南對齊、政策適配、患者洞察等多維度優化，讓中國醫生和患者感受到「專屬」服務。

不難看出，對比gpt-oss系列，M2展現出對中國臨床場景的更強適配性。

臨床診療實戰，M2表現極佳

相較于gpt-oss系列，在中國臨床診療場景的問題評測中，M2具備了更強的可用性優勢，堪稱「六邊形戰士」。

接下來，再看個真實的案例。

一個15歲男孩，持續咳嗽兩個月，逐漸出現了呼吸困難，服用頭孢后無改善，初步診斷為「重癥肺炎」，并伴有心包積液。

在醫生看來，這并非是普通的肺炎，入院后給男孩做了一系列檢查后，但還沒有拿到進一步支氣管病理檢查結果。

為了進一步明確診斷，醫生將病歷上傳到Baichuan-M2。

令人欣喜的是，M2就像一位熟練的「AI醫生」，全面復盤了病史、體格、影像和化驗數據。

沒多久，它便鎖定了關鍵線索——支氣管內占位。

在初步診斷中，它逐條引用了每一項檢查數據，形成了完整的證據鏈。

此外，M2還預警了呼吸衰竭、心包填塞等風險，并給出應急方案。

最后，它會提供了下一步檢查與管理建議，形成了一個完整的「閉環」。

當然，為了確保所有推理過程有跡可循，輸出全部結果后，M2也會提供詳細的參考來源，方便驗證。

國家兒童醫學中心專家對M2的表現贊不絕口，「在醫學正確性、證據鏈推理、可操作性上，M2展現出極強的專業性，并在風險預警方面的表現可圈可點。

此外，它還將患者既往病史與當前病變聯系，為醫生打開了更廣闊的思路」。

不僅如此，通過與北京市海淀區衛健委、北京大學第三醫院、國家兒科醫學中心等權威機構合作，Baichuan-M2已在多個真實病例中，展現出超越傳統AI的專家級臨床思維。

核心技術揭秘，強化學習立功

Baichuan-M2的成功，就藏在了一套「黑科技」組合拳里。

從Large Verifier System，到中期訓練（Mid-Training），再到端到端RL、工程優化，每一步都打下了堅實的基礎。

Large Verifier System

在Baichuan-M2構建過程中，Large Verifier System成為了核心，其基于可驗證獎勵強化學習（RLVR），針對醫療場景的復雜性而量身設計。

為什么百川團隊，選擇構建Large Verifier System？

近一年來，大模型后訓練范式發生了重大升級，特別是基于RLVR大規模RL訓練，讓模型在數學、代碼、科學等領域效果爆棚。

這些領域的問題，往往有著明確的答案和可驗證的標準。

比如，在數學問題中，模型的輸出可以直接通過設計驗證是否準確，從而生成可靠的獎勵信號，用于指導模型優化。

然而，醫療問題遠比這些領域復雜的多，傳統RL驗證系統在醫療領域效果不佳。

不同于數學的「對錯分明」，醫療診斷沒有絕對的「標準答案」，同一癥狀可能對應多種疾病，并需要多輪交互和證據鏈推理才能鎖定。

靜態的RL，無法處理這種情境，同時也難以模擬真實臨床中的各種噪聲。

在這個過程中，百川團隊升級了底層原理的認知——

可驗證性才是RL for LLM系統的學習的前提，尤其改善真實場景復雜問題的可驗證性，才是繼續提升模型能力的關鍵。

這一點，與CoT作者Jason Wei最新博客的觀點，不謀而合。

為此，百川在通用Verifier基礎上，結合醫療場景的獨特性，設計了一套全面的醫療Verifier系統。

核心方法是，通過醫療關鍵子場景的醫生思維數據訓練，讓Verifier與人類醫生的臨床邏輯對齊，再展開端到端強化學習。

簡單說，這不是死板的規則匹配，而是活生生的「醫生大腦」模擬，讓模型在真實醫療任務中越練越牛。

1. 三類「黃金數據」，訓出最強醫生大腦

要讓模型懂醫療，需要「投喂」高質量數據。

百川團隊精心挑選了三種醫療數據作為基礎輸入，每一種都針對不同痛點，層層遞進：

· 患者病歷數據：記錄了海量患者信息和診療細節，很多臨床思維就藏在病歷中，從癥狀描述到診斷推斷，再到治療方案，全是真人醫生的實戰經驗。

· 醫學知識庫數據：包括書籍、論文、指南等硬核資源。這些是醫療大模型的「知識基石」，確保回答符合「醫學常識」和「臨床經驗」，還降低安全風險。

· 通用醫療合成數據：為了適配患者、醫生、護士等多方需求，百川構建了面向不同場景的通用醫療verify任務，覆蓋了八大維度，比如醫學準確性、回答完整性、追問感知等。

2. 患者模擬器：首創AI患者，模擬實戰演練

有了多源數據還不夠，真實的臨床場景，可沒有那么理想化。

患者表達往往具有種種噪聲：因年齡、文化、教育背景等差異，癥狀描述可能模糊帶有偏見，甚至遺漏關鍵信息。

這對傳統RL系統是一大挑戰，它們僅會基于固定答案、規則進行匹配。

百川團隊希望，通過訓練讓M2具備「魯棒性」和「自適應性」。

在噪聲環境下，不僅可以實時重評估診斷假設；還能根據信息質量，動態調整回復策略。

為了實現這一目標，百川基于此前研究，引入了患者模擬器——一個基于真實病例數據構建的AI系統。

它能特定疾病背景、個體特征和行為模式的虛擬患者，相當于捏一個「AI病人」。

在醫患對話中，它會提供真實的癥狀表達和交互反應，還帶有「人性化噪聲」。

值得一提的是，這是行業首創技術，百川早在今年1月就發表了相關論文，瞬間圈粉無數。

論文地址：https://arxiv.org/pdf/2501.09484

在多輪對話的RL過程中，虛擬患者與醫生LLM實時互動，生成式Verifier根據這些信息動態生成評分標準，進行優化。

這項技術核心創新在于，把RL的獎勵從靜態函數變成動態生成系統。

也就是說，不再是預定義的死規則，而是基于真實場景特征的活機制。

這樣一來，大大提升了醫療模型在復雜臨床環境中的適應性和決策質量。

這種「實戰演習」，恰恰讓M2在處理復雜醫療場景的任務中，遠超傳統模型。

中期訓練：醫療領域適應性增強

一般來說，通用大模型在醫療應用中有三大痛點：醫學知識儲備不足、權威性欠缺、時效性滯后。

若是直接進行后訓練（post-training）容易陷入兩難，要么是知識汲取不夠，要么是幻覺加劇。

對此，百川的解法是中期訓練（mid-training），在保持通用能力的同時，輕量高效地增強模型醫療領域的適應性。

這里，百川團隊精選了公共醫學教材、臨床專著、藥品知識庫、最新診療指南和真實病例，形成專業庫。

在數據合成階段，重點強化兩維度——「結構化表達」和「深度推理增強」。

結構化表達：基于知識保真原則，改寫原始文本，提升邏輯流暢度，同時嚴控幻覺引入

深度推理增強：在知識密集段落和關鍵結論處，自適應插入思維筆記，如知識關聯分析、批判性反思、論證驗證、案例推演

在訓練策略上，為了防止通用能力退化，百川用2:2:1配比高質量醫療、其他通用和數學推理數據，并引入領域自約束機制，確保了醫療專業性，以及語言理解、推理能力的雙贏。

具體來說，醫療數據采用雙任務范式，通用和數學數據以通用基座為參考模型，用KL散度約束輸出分布。

這種方案，在醫療知識密度、推理深度和通用性之間，達到了完美的平衡，為后續指令微調打下了堅實基礎。

得益于此，M2不僅在醫療任務上強得一批，更在通用任務中穩如老狗。

端到端強化學習：多階段RL，訓練效率拉滿

在強化學習階段，百川采用了多階段強化學習的策略，把復雜RL任務拆解成可控層次。

針對不同能力目標、數據來源、評測機制，逐步引導模型演進。從醫學常識推理，到患者交互，一層一層提升。

相較于單階段RL訓練，多階段強化能有效分解訓練難度，分階段采集和放大reward信號，能提高模型泛化和魯棒性。

最終，可以保證M2在復雜醫療場景的實戰表現。

具體來說，百川團隊采用了一個改進版GRPO算作為策略優化算法，并結合了開源社區提出的一些改進，確保多分布多來源數據上強化訓練的穩定與高效。

·Eliminating KL divergence：添加KL會大幅拖慢獎勵增長速率，還額外耗費參考模型計算資源，剔除后可以讓訓練更加高效。

·Clip-higher：提高重要性采樣的剪裁上限閾值，并保持剪裁下限閾值固定，能夠緩解熵值收斂問題，從而讓模型探索新的解決方案。

· Loss normlization：面對多來源數據回答長度不一的痛點，把token級損失除以一個固定最大長度再求和，徹底消除原來GRPO的長度偏見。

·Advangtage normlization：針對多任務學習難度差異，一出優勢計算中「除以標準差」的步驟，大幅提升多任務強化時的策略更新穩定性。

·Dynamic Length reward：當一批樣本中，大多數得分超閾值時，才給高分樣本加一個負相關長度獎勵，鼓勵更短、更高效的輸出，不會限制模型探索高獎勵空間。

在工程優化上，復雜的verify系統讓獎勵評分耗時飆升，百川在verl基礎上，開發了完全異步的rollout+reward流程，基本消除了訓練中的等待時間，讓整個過程絲滑高效。

以上創新，得以讓Baichuan-M2以小博大，還能在實戰中大放異彩，這充分展現了百川團隊深厚的技術實力。

國際醫療AI共識崛起，百川領跑

放眼全球，AI+醫療，絕對是當下最火的科技風口之一。

醫療領域已成為AI發展的首要方向之一，這一點在國際上，已形成了廣泛的共識。

諾獎得主Demis Hassabis曾樂觀地表示，未來十年，AI將會治愈所有疾病，甚至可以助力新能源的開發。

AI教父Hinton曾多次強調，AI成為每個人的私人醫生，服務數百萬患者；比爾蓋茨也曾預言，未來十年高質量的醫療建議將免費普及。

在美國，這一共識早已轉化為行動。

2025年，美國AI新晉獨角獸中，AI醫療公司占比超過50%。

頭部企業如Abridge、Openevidence、Hippocratic AI吸金無數，資本用真金白銀投票，AI醫療的前景不言而喻。

就連OpenAI、谷歌DeepMind、微軟等科技巨頭，也將醫療視為核心領域。

如前所述，上周的GPT-5發布會上，奧特曼曾重點分享了ChatGPT在醫療健康領域的價值，并實際應用到了Oscar臨床診斷中。

然而，與國際上對AI醫療的強烈共識和巨大投入相比，中國在這塊的認知還不夠深入。

在這樣的背景下，百川智能作為國內最早專注醫療領域的大模型創業公司，展現出極具前瞻性的戰略眼光。

成立伊始，團隊就將醫療作為核心方向之一，投入了大量資源構建醫療專用數據集和大模型。

具體來看，百川的AI醫療進展可圈可點。

同月，團隊在arXiv上發表了M1背后技術——「AI患者模擬器」的論文，這項創新不僅填補了國內醫療AI空白，還為全球提供了可借鑒的范式。

如今，基于患者模擬器，Baichuan-M2歷經半年多迭代升級，在HealthBench等評測中取得了更大的突破。

M2的發布，不僅是醫療領域的新里程碑，更是百川作為中國企業走到世界AI醫療最前沿的生動證明。

它將徹底點燃AI醫療的開源生態，推動AI醫療走向更平權、更智能的未來。

未來，當AI私人醫生普及，每個人都能平等獲取頂尖醫療資源，罕見病不再是絕癥....這不僅僅是AI的逆襲，更是人類健康的革命性飛躍。

這波AI醫療革命，中國AI沖在了最前面。