反超OpenAI，百川开源大模型医疗能力登顶世界第一

OpenAI于8月6日开源两款大模型，主打部署成本超低和医疗能力最强；仅仅5天后，我们便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。

今年1月，我们在行业内首发“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，模拟了数百万次诊疗过程。基于该范式开源的Baichuan-M1，为行业首个医疗增强模型。

7个月后，我们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。碾压全球开源通用大模型更低成本爆发更大性能

OpenAI自2024年下半年起将医疗作为模型能力提升的首要方向，投入大量人力算力精力。

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，研究团队招募了262位医生，来自60个国家、涉及26个医学专科、精通49种语言，他们生产了48562条评价标准，其中86%是实例特定标准（针对单个对话由医生撰写），14%是共识标准。

这个包含了5000个逼真多轮医疗对话的评测集，代表了OpenAI在医疗领域重点突破的决心。开源gpt-oss系列模型过程中，OpenAI首次将医疗作为第一重要的评测标准；发布GPT-5时，请到现场的唯一使用者是抗癌患者，医疗是大模型最有前景最具价值的方向，正成为头部企业的共识。

Baichuan-M2在HealthBench上得到60.1的高分，以32B的较小尺寸不仅反超OpenAI 最新开源模型gpt-oss120b（得分57.6），更是力压Qwen3-235B、Deepseek R1、Kimi K2等当前世界所有开源大模型。

针对医疗领域用户隐私考虑下的模型私有化部署需求，我们对Baichuan-M2进行了极致轻量化，量化后的模型精度接近无损，可以在RTX4090上单卡部署，相比DeepSeek-R1 H20双节点部署的方式，成本降低了57倍。针对国产主流芯片的开发和适配，让多数医疗机构利用现有硬件条件既可实现快速部署。

此外，面向急诊、门诊等对于交互速度要求更高的场景，基于Eagle-3架构优化的Baichuan-M2-Spec版本在单用户场景下实现了74.9%的token速度跃升。

医疗能力极大增强后，模型通用能力是否会下降？

头部大模型企业主要用数学和代码数据进行强化学习，我们是首个将医疗数据用作强化学习的中国团队，同时也验证了高质量医疗数据对于模型通用能力的增长具有较高价值，M2模型在数学、指令遵循、写作等通用核心性能上不降反升，因此这个模型也可应用于医疗以外的其他领域。

医疗复杂问题比肩GPT-5超越众多顶尖闭源大模型在大语言模型的发展中，“知识”与“能力”是两条相辅相成但又相对独立的主线，模型在医学考试（如 USMLE）上的表现被视为衡量医疗水平的重要指标，但随着题库饱和，这类选择题或短回复的评测难以反映模型的临床实用性，医疗 AI 并不等于“刷题机器”，分数再高也不意味着在真实医疗场景中好用。

OpenAI从HealthBench整体数据中选出1000个特别困难的复杂问题作为Hard子集，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。这个评测方法标准更高、尺度更严，更能全面反映模型面临“千奇百怪”复杂条件时的真实能力。

今年5月这个评测集发布时，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。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.GPT-5发布时，OpenAI特别强调，其是HealthBench Hard评测全球唯一超过32分的模型。Baichuan-M2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。

尽管真实医疗场景中还存在大量HealthBench Hard评测尚未包含的因素，但至少已经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。GPT-5发布时既没有开源，也没有公布参数，无法私有化部署，无法低成本应用。

相比之下，Baichuan-M2快速免费开源，成为医疗行业低成本快速应用部署世界顶尖医疗模型的唯一选择。AI患者模拟器立功百川智能开创强化学习新范式

我们的技术团队在大型验证系统（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，是Baichuan-M2模型取得飞跃式进步的关键。过去一年，可验证奖励强化学习（RLVR）方法被头部大模型企业广泛使用，在数学、代码领域显著提升了模型性能。我们在这一过程中认识到，提高复杂现实问题的可验证性是进一步提升模型性能的关键。

由此，团队构建了大型验证系统，在通用验证器之外还设计了一套全面的医学验证系统。如果将未经过医疗强化学习的大模型比作一位医学实习生，这个系统则像一个要求极高、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。基于这个强大的验证系统，团队采用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，逐步引导模型能力演变。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。为了突破这一瓶颈，我们升级迭代了今年初首创的AI患者模拟器。这个模拟器是使用真实病例构建的AI系统，能够模拟千差万别的患者、症状、表达，特别是包含错误噪声的表达，最大程度还原了真实医疗场景。

在强化学习的多轮对话中，AI患者与AI医生快速生成数百万条贴近真实的交互信息，验证器充当裁判实时打分评估，根据打分结果模型策略动态优化，形成了一个具有规模化可监督信号的训练闭环，让训练过程与效果如“飞轮”般效率倍增。

我们还构建了一个以天为频率更新的权威医学数据库，涵盖病例、论文、文献、指南、药学、生物学、合成数据等。为防止综合能力退化，采用医学数据、通用数据、数学推理数据2:2:1的比例，并引入领域自我约束训练机制，确保模型是一个具有通识、推理等综合能力的高水平医生，避免成为只会医学知识考试的高分者。

（更多技术创新点详见https://www.baichuan-ai.com/blog/baichuan-M2）这些技术探索与创新，不仅为模型的医疗能力提升开创了全新路径，也为通用大模型强化学习提供了新思路新方法。更遵循中国权威指南更符合中国临床诊疗场景

在中国临床诊疗场景的问题评测中，对比GPT系列模型，Baichuan-M2展现出更明显的可用性优势。我们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，中国医疗机构和医生应用时，会明显感受到这一区别。

中外患者人群特点不同、医疗服务资源与优势有所差异。例如，肝细胞肝癌，中国以乙肝相关肝癌为主，西方更多是酒精或丙肝相关患者，不同类型患者的手术风险不同；加上中国外科手术经验丰富、手术期管理成熟，因此在同一疾病遇到多种治疗方案时，中西方指南对于优选哪种治疗方案存在差异。

在一个具体的真实案例中，针对CNLCIIa期（BCLC B期）的肝细胞肝癌患者，M2首推在具备手术条件的情况下进行解剖性肝右叶切除手术（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。在国家卫健委最新发布的《原发性肝癌诊疗指南》（2024版）中，肝切除术是潜在根治性治疗，可提供最佳的长期生存获益，Baichuan-M2严格遵循这一方案。

同一病症gpt-oss-120b则建议首选经动脉化疗栓塞术（TACE），理由是符合 BCLCB 期治疗指南。左右滑动查看对比临床医学专家认为，类似的情况还有很多。

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。

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，M2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。真实病例实测表现极佳

多学科会诊场景下超强能力得到初步验证

今年2月，以Baichuan-M1为底座的AI儿科医生在国家儿童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在医疗沟通、证据推理、完整性与深度、临床可操作性、医疗安全、风险识别与应急预案六个维度相较于M1均显著提升。

在北京市海淀区卫健委、北京大学第三医院、国家儿童医学中心等合作伙伴的支持下，M2在真实病例实测中体现出超强能力。一位51岁女士近两个月睡眠充足仍感觉困倦、疲惫，脖子轻微肿胀。M2根据医患对话，详细梳理出持续性疲劳、体重增加等多个支持诊断的关键症状，综合考虑患者用药史、年龄、合并症状等因素，精准诊断出患者最可能病因为甲状腺功能减退症。

内分泌科专家表示，M2在关键征象基础上提出首选假设（自身免疫性甲状腺炎）并列出直接佐证、反证，之后给出条理化鉴别诊断的推理方式，属于典型的临床思维流程，符合临床医学中公认的SOAP分析方式（Subjective主观资料、Objective客观资料、Assessment评估、Plan计划）。它所采用的“支持 / 不支持”两栏逐一比对的方式也符合住院医师写病程记录时常用的思路，最后给出进一步检查与管理建议，充分体现出“闭环思维”。

医院之前部署的其他模型，知识问答上表现不错，但没有这么专业的主任医师级专家思维，M2模型展现出人类高水平专家的思维方法让医生们惊叹。在另一真实案例中，一位15岁的小男孩莫名其妙咳嗽2个月，逐渐出现呼吸困难，吃了头孢没有好转，急诊时已经“重症肺炎、心包积液”。

医生将患儿的病历作为输入与M2进行了诊断方面的讨论。M2全面复盘小男孩的病情，逐条引用CT、支气管镜、血气分析等数据进行推理，准确锁定“支气管内占位”主因，主动给出氧疗、抗菌/抗病毒剂量区间等极具执行性的治疗意见。

国家儿童医学中心专家认为，M2在医学正确性、证据链推理、可操作性上展现出极强的专业性，在风险预警方面的表现可圈可点，关注到患儿有呼吸衰竭、心包填塞等风险，并给出应急方案。此外，它还将患儿既往血管瘤与当前病变联系，为医生打开了更广阔的思路。