百川开源最新医疗大模型，中国力量领跑医疗AI赛道

文｜白 鸽

编｜王一粟

专注医疗后，百川智能交出第一份答卷！8月11日，百川智能发布第二款开源医疗增强推理大模型Baichuan-M2，其以32B的参数量，在OpenAI的Healthbench评测集上，超越其刚刚发布5天的开源模型gpt-oss-120b。

除gpt-oss-120b外，Baichuan-M2还领先GPT-5以外所有开源与闭源前沿模型，以更小尺寸模型实现医疗能力反超，在所有开源模型中登顶世界第一。

同时，在落地应用浪潮下，大模型所追求的，不再只是效果好，还要能低成本落地。

尤其是在医疗健康领域，模型涉及更多敏感隐私信息，医疗健康机构对私有化部署有着强烈的需求，而私有化部署往往意味着高昂的部署成本。

Baichuan-M2的落地门槛则非常低，其支持RTX4090单卡部署，进一步提升了模型在真实医疗场景中的落地可能性与可扩展性。

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续扩大的背景下，中国团队可以在AI垂直行业大模型赛道中，实现弯道超车。

当前，医疗是大模型最重要、最有潜力的应用领域之一，正在逐渐成为全球共识。不过，作为应用底座的医疗大模型，现阶段行业中并未有特别突出的产品。

即使是OpenAI最新发布的GPT-5，其数学能力满分，代码、写作、知识能力的成绩也都很高，但医疗领域的得分依旧很低。

这也说明，医疗大模型仍有很长的路要走。

而中美垂直行业大模型的能力差距并不大，作为中国头部大模型企业代表，百川智能此次在医疗大模型上，已实现与OpenAI的并驾齐驱。

那么，作为国内最早全力押注医疗AI赛道的大模型创企，百川智能又是如何做到弯道超车的？

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。

毕竟，医疗AI并不等于“刷题机器”，考试分数再高，也未必意味着在真实医疗场景中好用。

因此，医疗能力的评测需要有系统化的方法，验证模型在推理决策、临床沟通等关键能力上的综合表现。

今年5月，OpenAI发布权威且贴近真实临床场景的HealthBench医疗健康评测集。

该测评集包含了5000个广泛场景覆盖的医患多轮对话，并通过由262个人类医生编写的48562个医疗评价规则来对模型能力进行评估，是全球公认的医疗大模型“能力试金石”。

该数据集主要包含2个版本：

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。

据悉，此前该测试集发布时，世界上所有顶尖模型得分都没超过32分，许多前沿模型得分甚至为0。

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

但现在Baichuan-M2打破了这一纪录，其以34.7分成为全球第二款超过32分的模型，力压世界所有其他顶尖闭源大模型。而Baichuan-M2和GPT-5也是目前全球唯二超过32分的模型。

事实上，尽管HealthBench已收集大量真实医疗场景，但现实情况往往更加复杂多样。

不过，基于其评测，也至少能够证明在多数医疗场景上的问答质量，GPT-5和Baichuan-M2已经超越资深医生，特别是在知识更新速度和全面性上，完全可以给人类医生强大支持。

那么，百川智能的Baichuan-M2医疗大模型，是如何以32B参数，实现以小博大？其核心思路，就是让大模型像医生一样思考、应对真实医患场景。

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，强化学习在数学、代码、科学等领域之所以能够显著提升模型能力，是因为这些领域的数据是静态的，由简洁的问题和答案构成。

而医疗问题却是复杂问题，没有标准答案，同一个症状可能存在不同病因，同一病因，患者的体格、病史、用药史、药物耐受程度不一样，治疗方案也会不同。

因此，医疗领域的强化学习不仅要验证诊断结果、治疗方案的准确性，还要验证大模型的问诊对话过程是否符合医生思维，是一个动态验证的形式，也就导致传统强化学习规则在医疗领域表现并不好。

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。

用通俗的话来理解，如果将大模型比作一位医学实习生，那么这个系统就像是一个要求极高、异常挑剔的医疗专家。它会从医疗正确性、完备性、安全性以及对患者的友好性等多个维度，细致地评估模型的输出，指出其不足并引导模型改正，使其思维方式更贴近专业医生。

但想要让这个系统成为严谨的医疗专家，最大的难点在于，人类医生在听取患者描述病情时，很容易分辨患者描述中的逻辑漏洞、从含混不清的表达中辨别出真实病因。现实中患者几乎无法全面准确表达自己的症状，仅基于静态的病例、指南等医疗数据训练，模型无法掌握人类医生的这一能力。

而为了突破这一瓶颈，百川技术团队升级迭代了今年初首创的“AI患者模拟器”。

今年1月，百川在arXiv上发表AI患者模拟器，用真实数据构造上万个不同年龄性别症状的AI患者，能够模拟千差万别患者的症状和表达，特别是包含错误噪声的表达，最大程度还原真实医疗场景。

7个月后，百川升级患者模拟器并引入模型端到端强化学习，训练的Baichuan-M2在HealthBench等评测上取得更大突破。

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。

就像学车要先练直线、再练转弯、最后上马路，AI学当医生也分阶段练，先练“医学常识”，再练“和病人聊天的技巧”，最后练“复杂病例的诊断”，一步步提升，避免一下子学太难而懵圈。

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。

但在当前AI大模型落地应用浪潮中，大模型不仅仅要有能力，更重要的还是能落地，尤其是在垂直行业中，很多时候都面临着大模型效果是很好，但部署运营成本太高，终成demo的情况。

早在2016年的深度学习浪潮中，AI就已经开始在医疗场景落地，但彼时更多是聚焦在语音语义、图像等方面的应用，以及单点功能（病例录入、智能阅片）的落地。

但这一代医疗大模型开启了全新范式，其能力与上一代医疗AI相比已经产生了质的飞跃，医疗大模型不仅仅是医学知识的问答引擎与效率提升的工具，它能够通过Agent的方式全流程融入到诊中、诊前、诊后的各个环节，为AI落地医疗真实场景打开了更广阔的空间。

百川智能医疗大模型的迭代和落地正是这一颠覆性变化的侧写。

在实践应用中，今年2月，以Baichuan-M1为底座的AI儿科医生在国家儿科医学中心多学科会诊中大放异彩，获得会诊专家一致认可。M2则在医疗沟通、诊断合理、检查合理、医疗治疗、医疗安全六个维度相较于M1均显著提升。

这背后最关键的一点在于，Baichuan-M2为了更适配中国医疗场景，也从中国医学指南对齐、医疗政策适配和患者需求洞察等多个维度进行了深度优化。

在中国临床诊疗场景的问题评测中，对比gpt-oss系列模型，Baichuan-M2展现出更明显的可用性优势，其中部分优势就来源自中国医疗场景的适配性，例如针对临床诊疗的案例，M2更贴合中国医疗场景，更遵循中国权威指南推荐。

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首选推荐在具备手术条件的情况下进行解剖性肝右叶切除（或根据肿瘤具体位置，可考虑扩大右半肝切除、右三叶切除等），目标是R0切除。

原因在于，依据国家卫健委发布的《原发性肝癌诊疗指南》（2024版），肝切除术是潜在根治性治疗，可提供最佳的长期生存获益。

同样的案例，gpt-oss-120b建议首选治疗经动脉化疗栓塞术（TACE），理由是符合BCLCB期治疗指南，当前情况下手术切除和移植风险不理想。

临床医学专家认为，类似这样的情况还有很多。

仅就这个案例来说，手术切除或TACE都是可选方案，只是中西方指南不同，不是医学上的高下之分，而是基于本地患者特点、医疗资源与当前医学发展水平权衡之下的最优解。

毕竟，医疗大模型能否将全球医学知识、医学证据转化为符合本地优势特长的临床决策，也是为医生和患者提供切实服务能力的关键。

Baichuan-M2则为此所做的专门优化，让中国临床场景有了专属的顶尖模型。此外，更为重要的一点在于，Baichuan-M2能够让中国万千医疗机构以更低的成本部署使用。

业内皆知，医疗大模型落地面临“两难”，即追求高精度往往意味着高成本，如闭源模型授权费、定制化开发投入，而低成本方案又难以满足临床核心需求，尤其是在复杂场景的推理上。

Baichuan-M2则通过技术优化和开源的方式，降低了医疗机构的部署成本。

百川智能通过多种PTQ量化策略，对Baichuan-M2进行权重4bit量化，量化后模型精度接近无损，可在RTX4090上单卡部署，相比DeepSeek-R1 H20双节点部署方式，成本降低了57倍。

同时，其基于Eagle-3训练了Baichuan-M2-Spec版本，单用户场景下token吞吐可获得74.9%的提升。

另外，开源大模型特性是支持二次开发，可根据具体场景轻量化训练，避免“大而全”的冗余成本，模型权重、训练代码全开放，企业/机构无需支付授权费。

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。

今年是AI大模型浪潮兴起的第三年，但在全球市场中，中国通用大模型一直处于跟随者地位。

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，首轮比赛中就被淘汰出局。

我们可以看到，在通用大模型上，中美之间始终存在着差距，无论是在能力上，还是在技术创新层面，差距也仍在不断扩大。

但相比较来说，中国更擅长的地方，则在于推动大模型走向落地应用，而这也是我们在AI垂直行业赛道能够弯道超车的关键。

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”。

而通过开源大模型的模式，也可以降低医疗AI技术门槛，让全球研究者、医疗机构可直接复用模型，在细分的医疗领域构建出自己的专属模型，加速医疗AI的落地与创新。

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”。