勇礪商業(yè)評(píng)論 阿桶觀察 白麗

2026年1月13日，百川智能正式開(kāi)源新一代醫(yī)療大模型 Baichuan-M3，其在全球最權(quán)威的醫(yī)療 AI 評(píng)測(cè) HealthBench 中以 65.1 分的綜合成績(jī)位列全球第一；在專門考驗(yàn)復(fù)雜決策能力的 HealthBench Hard 上，也以44.4分的成績(jī)奪冠。這一成績(jī)，不僅刷新了 HealthBench 的最高分，更首次在醫(yī)療領(lǐng)域?qū)崿F(xiàn)了對(duì) GPT-5.2 的全面超越。在OpenAI引以為傲的低幻覺(jué)領(lǐng)域，M3也實(shí)現(xiàn)了超越，幻覺(jué)率3.5全球最低。

此外，M3 還首次具備了原生的“端到端”嚴(yán)肅問(wèn)診能力。它能像醫(yī)生一樣主動(dòng)追問(wèn)、逐層逼近，把關(guān)鍵病史和風(fēng)險(xiǎn)信號(hào)問(wèn)出來(lái)，進(jìn)而在完整的信息上進(jìn)行深度醫(yī)學(xué)推理。評(píng)測(cè)顯示，其問(wèn)診能力顯著高于真人醫(yī)生的平均水平。

Hugging Face 地址：https://huggingface.co/baichuan-inc/Baichuan-M3-235B

GitHub 地址：https://github.com/baichuan-inc/Baichuan-M3-235B

醫(yī)療溝通和推理能力超越 GPT-5.2，登頂世界第一

2025年5月份，OpenAI發(fā)布HealthBench，由 262 位來(lái)自 60 個(gè)國(guó)家的醫(yī)生共同構(gòu)建，收錄了 5000 組高度逼真的多輪醫(yī)療對(duì)話，構(gòu)建了全球最權(quán)威、也最貼近真實(shí)臨床場(chǎng)景的醫(yī)療評(píng)測(cè)集。這一事件，被視為 OpenAI 在醫(yī)療領(lǐng)域開(kāi)始“重兵投入”，吹響進(jìn)軍醫(yī)療的號(hào)角。

相當(dāng)長(zhǎng)一段時(shí)間里，無(wú)論是HealthBench總分還是 HealthBench-Hard 子集， GPT系列模型從未被超越。2025 年 8 月，百川開(kāi)源醫(yī)療增強(qiáng)大模型 M2 在 HealthBench 上力壓 gpt-oss-120B、DeepSeek-R1 等同期所有開(kāi)源模型，并在 HealthBench Hard 上取得 34.7 分的成績(jī)，僅次于GPT-5，成為全球唯二突破 32 分的模型。

2025年，強(qiáng)化學(xué)習(xí)無(wú)疑是新一代 Scaling Law 的技術(shù)中軸。在M2 發(fā)布后的五個(gè)月里，我們對(duì)強(qiáng)化學(xué)習(xí)系統(tǒng)進(jìn)行了全面升級(jí)，將原本以患者模擬器和靜態(tài) Rubric 為主的半動(dòng)態(tài)反饋，升級(jí)為隨模型能力不斷演進(jìn)的全動(dòng)態(tài) Verifier System。隨著監(jiān)督信號(hào)持續(xù)變細(xì)、變難，模型得以不斷突破能力上限，使 M3 在復(fù)雜醫(yī)學(xué)問(wèn)題上的表現(xiàn)實(shí)現(xiàn)躍遷，不僅在 HealthBench 總分上超越 OpenAI 最新模型 GPT-5.2，也在 HealthBench Hard 上登頂，成為當(dāng)前全球醫(yī)療溝通和推理能力最強(qiáng)的醫(yī)療大模型。

重構(gòu)幻覺(jué)抑制的訓(xùn)練范式，刷新醫(yī)療幻覺(jué)率底線

幻覺(jué)是這一代大模型技術(shù)范式的通病，更是AI進(jìn)入嚴(yán)肅醫(yī)療的攔路虎。在大多數(shù)場(chǎng)景幻覺(jué)只是體驗(yàn)問(wèn)題，而在嚴(yán)肅醫(yī)療場(chǎng)景可導(dǎo)致安全事件。

降低幻覺(jué)，一直是 OpenAI 最重視的研究方向之一。幾乎每一代 GPT 模型的幻覺(jué)率均為行業(yè)最低。OpenAI也是第一個(gè)單獨(dú)評(píng)測(cè)醫(yī)療能力和提供醫(yī)療服務(wù)的通用模型公司。

國(guó)內(nèi) DeepSeek等模型的普及，讓越來(lái)越多人開(kāi)始使用AI并嘗試進(jìn)行醫(yī)療健康咨詢。但大多數(shù)模型公司并沒(méi)有把“降幻覺(jué)”提升到與推理、代碼等相同的高度。用這樣的模型獲取健康咨詢和診療建議，對(duì)AI醫(yī)療的普及和醫(yī)患信任建立帶來(lái)很大困擾。

百川M3將醫(yī)療幻覺(jué)抑制前移至模型訓(xùn)練階段，在強(qiáng)化學(xué)習(xí)過(guò)程中將醫(yī)學(xué)事實(shí)一致性作為核心訓(xùn)練目標(biāo)之一，將“知之為知之，不知為不知”直接作用于模型自身能力的形成過(guò)程。這一新的訓(xùn)練方法將醫(yī)學(xué)事實(shí)可靠性內(nèi)化為M3自身的基礎(chǔ)能力，使其在不借助任何外部系統(tǒng)的情況下，依然能夠基于自身醫(yī)學(xué)知識(shí)進(jìn)行穩(wěn)定、可信的作答。

通過(guò)將事實(shí)一致性約束融入訓(xùn)練流程，M3重構(gòu)了幻覺(jué)抑制的訓(xùn)練范式，在不依賴工具或檢索增強(qiáng)的純模型設(shè)置下，醫(yī)療幻覺(jué)率3.5，超越GPT-5.2，達(dá)到全球最低水平。

構(gòu)建「嚴(yán)肅問(wèn)診」新能力，端到端問(wèn)診超越真人醫(yī)生

除了強(qiáng)推理和低幻覺(jué)，端到端的問(wèn)診能力是本次M3最重要的一項(xiàng)突破。2025年行業(yè)的技術(shù)共識(shí)是，用戶提供更完整的上下文，模型才有更好的表現(xiàn)?？稍卺t(yī)療領(lǐng)域，患者很難完整表達(dá)自己的病癥，需要模型像醫(yī)生一樣有能力把患者的混亂敘述轉(zhuǎn)變成可做診療決策的信息。

HealthBench代表了OpenAI對(duì)臨床場(chǎng)景的認(rèn)知高度，然而它本質(zhì)上是一個(gè)切片式的評(píng)測(cè)，考核的更像是“AI會(huì)不會(huì)回答問(wèn)題”，而不是帶著診療目標(biāo)，完整的患者信息收集。這也正說(shuō)明了行業(yè)對(duì)問(wèn)診重要性和建模思路的理解不足。

應(yīng)用實(shí)踐中，通過(guò)prompt“你是一位經(jīng)驗(yàn)豐富的醫(yī)生”，激活模型的“角色扮演”是更常見(jiàn)的做法。這種方式得到的是模型的表演行為，而非內(nèi)生能力，激活的是模型應(yīng)該提問(wèn)的行為，而不是必須獲取關(guān)鍵信息的思考。例如，臨床醫(yī)生面對(duì)患者的第一反應(yīng)，永遠(yuǎn)是先排除危急重癥，再考慮常規(guī)診療，這是刻在職業(yè)本能里的安全優(yōu)先級(jí)。但常見(jiàn)的“角色扮演”的問(wèn)診方式，無(wú)法將“紅旗征識(shí)別與處置”作為核心行動(dòng)原則。這種不圍繞關(guān)鍵風(fēng)險(xiǎn)點(diǎn)展開(kāi)的信息收集，即便對(duì)話看似完整，也難以支撐安全、可靠的臨床判斷，從根本上偏離了醫(yī)療“安全第一”的原則。

針對(duì)這一行業(yè)困境，我們提出了“嚴(yán)肅問(wèn)診范式”與“SCAN原則”，通過(guò)Safety Stratification（安全分層）、Clarity Matters（信息澄清）、Association & Inquiry（關(guān)聯(lián)追問(wèn)）與Normative Protocol（規(guī)范化輸出），將臨床問(wèn)診中高度依賴經(jīng)驗(yàn)的思維過(guò)程，第一次系統(tǒng)性地“白盒化”。

圍繞SCAN原則，我們借鑒醫(yī)學(xué)教育里長(zhǎng)期使用的 OSCE 方法，聯(lián)合 150 多位一線醫(yī)生，搭建了 SCAN-bench 評(píng)測(cè)體系，該體系以真實(shí)臨床經(jīng)驗(yàn)作為“標(biāo)準(zhǔn)答案”，將診療過(guò)程拆解為病史采集、輔助檢查、精準(zhǔn)診斷三大階段，通過(guò)動(dòng)態(tài)、多輪的方式進(jìn)行考核，完整模擬醫(yī)生從接診到確診的全過(guò)程。相比于HealthBench，SCAN-bench是更加全流程端到端的動(dòng)態(tài)評(píng)測(cè)新范式。

同時(shí)，我們還使用原生模型訓(xùn)練方法取代角色扮演prompt，針對(duì)GRPO無(wú)法穩(wěn)定進(jìn)行長(zhǎng)對(duì)話訓(xùn)練的問(wèn)題，設(shè)計(jì)了新的 SPAR 算法，使模型能夠在有限對(duì)話輪次中，把臨床真正需要的關(guān)鍵問(wèn)題問(wèn)全、問(wèn)準(zhǔn)，把風(fēng)險(xiǎn)兜住，讓輸出經(jīng)得起復(fù)核。

在實(shí)驗(yàn)過(guò)程中我們發(fā)現(xiàn)，問(wèn)診準(zhǔn)確度每增加2%，診療結(jié)果準(zhǔn)確度就會(huì)增加1%。評(píng)測(cè)結(jié)果顯示，M3 在SCAN的四個(gè)維度均顯著高于人類醫(yī)生基線水平，并大幅領(lǐng)先于國(guó)內(nèi)外頂尖模型，成功構(gòu)建了從精準(zhǔn)的臨床問(wèn)詢、深度醫(yī)學(xué)推理到安全可靠決策的閉環(huán)。

從 1 月初 OpenAI 發(fā)布醫(yī)療產(chǎn)品 ChatGPT Health，到今天 Anthropic 推出 Claude for Healthcare，AI 醫(yī)療正在全球范圍內(nèi)提檔加速，競(jìng)爭(zhēng)也正式進(jìn)入深水區(qū)。在這場(chǎng)競(jìng)速中，作為國(guó)內(nèi)唯一專注醫(yī)療的大模型企業(yè)，百川持續(xù)突破低幻覺(jué)率、端到端問(wèn)診和復(fù)雜臨床推理等核心能力，已從“跟隨者”躍遷為行業(yè)“引領(lǐng)者”與新范式的“定義者”，正以硬核實(shí)力扛起中國(guó) AI 醫(yī)療發(fā)展的旗幟。

我們的醫(yī)療應(yīng)用“百小應(yīng)”已同步接入 M3，面向醫(yī)生與患者開(kāi)放相關(guān)能力。醫(yī)生可借助它推演問(wèn)診與診療思路，患者及家屬也可通過(guò)該應(yīng)用更系統(tǒng)地理解診斷、治療、檢查與預(yù)后背后的醫(yī)學(xué)邏輯。（白麗）