編輯｜澤南、陳陳

人們獲取醫(yī)療信息的方式，正在逐漸被 AI 改變。

2026 剛一開年，OpenAI 發(fā)布了一份有關(guān)普通人與 AI 醫(yī)療的報(bào)告。

報(bào)告給出的信息令人驚訝：目前全球 ChatGPT 對(duì)話中有超過 5% 是與醫(yī)療健康有關(guān)的，每天有 4000 萬人在向 ChatGPT 尋求健康問題的答案。

在人們向 AI 問的問題中，大模型的智能與知識(shí)儲(chǔ)備得到了充分體現(xiàn)：60% 的人用 AI 探索癥狀，52% 的人用于理解醫(yī)學(xué)術(shù)語或臨床建議；越來越多的醫(yī)生也在撰寫醫(yī)療報(bào)告的時(shí)候應(yīng)用了 AI。

也正是因?yàn)槿绱耍? 月 7 日，OpenAI 正式發(fā)布了 ChatGPT 健康，通過整合人們的健康信息與大模型能力，可以幫助人們更加了解自身狀況，能輔助人們進(jìn)行健康方面的決策。

大模型正在生活的很多方面給我們帶來幫助，但在面向常規(guī)任務(wù)的通用大模型上尋找醫(yī)療等專業(yè)知識(shí)的建議，很多時(shí)候還是顯得不夠靠譜。在醫(yī)療學(xué)術(shù)界，有研究就認(rèn)為 AI 提供的醫(yī)療決策必須強(qiáng)制披露其準(zhǔn)確性，接受監(jiān)管以保護(hù)患者的安全。

近日，螞蟻集團(tuán)聯(lián)合浙江省衛(wèi)生健康信息中心、浙江省安診兒醫(yī)學(xué)人工智能科技有限公司開源的的螞蟻?安診兒醫(yī)療大模型（AntAngelMed），似乎為這些需求找到了最優(yōu)解。

該模型總參數(shù)量達(dá)到1000 億（激活參數(shù) 61 億），是迄今為止參數(shù)量最大的開源醫(yī)療領(lǐng)域?qū)I(yè)模型。

AntAngelMed 在 OpenAI 發(fā)起的 HealthBench、國(guó)家人工智能應(yīng)用中試基地（醫(yī)療）的 MedAIBench 等評(píng)測(cè)基準(zhǔn)中表現(xiàn)出色，其成績(jī)超過了 GPT-oss、Qwen3、DeepSeek-R1 等通用模型，也超越了目前已有的醫(yī)療增強(qiáng)推理模型，達(dá)到了開源模型第一的成績(jī)。

在由國(guó)家人工智能應(yīng)用中試基地（醫(yī)療）?浙江、中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院、中國(guó)信息通信研究院三方共建的權(quán)威測(cè)評(píng)體系 MedAIBench 中（ https://www.medaibench.cn/ ），AntAngelMed 同樣表現(xiàn)突出，尤其是在醫(yī)療知識(shí)問答、醫(yī)療倫理安全等多個(gè)核心維度上優(yōu)勢(shì)顯著。

此外，AntAngelMed 在MedBench 排行榜中位列第一。MedBench 是專為評(píng)估中國(guó)醫(yī)療健康領(lǐng)域語言大模型（LLM）而設(shè)計(jì)的權(quán)威基準(zhǔn)。AntAngelMed 的這一成績(jī)進(jìn)一步凸顯了其在專業(yè)性、安全性以及臨床應(yīng)用潛力方面的領(lǐng)先表現(xiàn)。

目前 AntAngelMed 模型系列已在模型平臺(tái)開源：

• HuggingFace：https://huggingface.co/MedAIBase/AntAngelMed
• ModelScope：https://modelscope.cn/models/MedAIBase/AntAngelMed
• Github: https://github.com/MedAIBase/AntAngelMed

AntAngelMed 背后的技術(shù)

專業(yè)三階段訓(xùn)練

與通用模型不同，醫(yī)療大模型面對(duì)的評(píng)價(jià)標(biāo)準(zhǔn)不僅僅是「答得多流暢」，還要強(qiáng)調(diào)結(jié)論的可靠性與可控性：既要在證據(jù)充分時(shí)給出嚴(yán)謹(jǐn)判斷，也要在信息不足或風(fēng)險(xiǎn)較高時(shí)保持克制、明確安全邊界。要滿足這種要求，模型不僅需要覆蓋系統(tǒng)化的醫(yī)學(xué)知識(shí)，更需要具備穩(wěn)定的推理能力與風(fēng)險(xiǎn)意識(shí)。

AntAngelMed 作為一款專注醫(yī)療垂直領(lǐng)域的開源大模型，其訓(xùn)練策略正是圍繞上述要求展開的，形成了一套以醫(yī)學(xué)能力構(gòu)建為目標(biāo)的三階段訓(xùn)練流程

第一階段是持續(xù)預(yù)訓(xùn)練，為模型注入醫(yī)學(xué)知識(shí)。

團(tuán)隊(duì)在螞蟻百靈通用基座模型 Ling-flash-2.0-base 上系統(tǒng)性引入大規(guī)模、高質(zhì)量醫(yī)學(xué)語料，比如百科全書、網(wǎng)絡(luò)文本、學(xué)術(shù)出版物。

通過這一過程，模型構(gòu)建起了穩(wěn)定而完整的醫(yī)學(xué)知識(shí)結(jié)構(gòu)，為后續(xù)的醫(yī)學(xué)能力打下堅(jiān)實(shí)的地基。

第二階段是面向真實(shí)醫(yī)療任務(wù)的監(jiān)督微調(diào)。

AntAngelMed 引入了來自不同來源、不同形式的高質(zhì)量醫(yī)療指令數(shù)據(jù)，重點(diǎn)微調(diào)模型如何展開和表達(dá)推理過程。這一階段不僅提升了模型在復(fù)雜問題中的思考穩(wěn)定性，也使其在醫(yī)患問答、診斷分析等真實(shí)場(chǎng)景中，能夠更好地理解問題語境并給出符合醫(yī)療交流邏輯的回應(yīng)。

這樣一來，AntAngelMed 不再僅僅停留在回答正確的表層表現(xiàn)上，而是在醫(yī)療語境中展現(xiàn)出更接近專業(yè)醫(yī)生的溝通方式與思維路徑。

第三階段是強(qiáng)化學(xué)習(xí)，控制 AI 醫(yī)療回答的邊界與行為方式。

AntAngelMed 采用先進(jìn)的 GRPO（Group Relative Policy Optimization，組相對(duì)策略優(yōu)化） 強(qiáng)化學(xué)習(xí)算法，并通過雙階段強(qiáng)化學(xué)習(xí)路徑對(duì)模型能力進(jìn)一步優(yōu)化提升。

首先是「推理強(qiáng)化學(xué)習(xí)」，確保模型面對(duì)復(fù)雜病例信息時(shí)能保持因果鏈條清晰、判斷過程可追溯。

然后是「通用強(qiáng)化學(xué)習(xí)」，重點(diǎn)關(guān)注模型的行為邊界，在面對(duì)不確定性、敏感性問題時(shí)學(xué)會(huì)提示風(fēng)險(xiǎn)、適度保留，體現(xiàn)出必要的責(zé)任意識(shí)和安全規(guī)范。

可以說這一階段是通用大模型最容易「踩雷」的部分，而也是醫(yī)療 AI 最重要的「合規(guī)能力」。

AntAngelMed 專業(yè)三階段訓(xùn)練流程

高效 MoE 架構(gòu)，高效推理能力

除了能力結(jié)構(gòu)的精細(xì)建構(gòu)，AntAngelMed 也在工程設(shè)計(jì)上充分考慮醫(yī)療系統(tǒng)的部署需求。

AntAngelMed 繼承了Ling-flash-2.0 的先進(jìn)架構(gòu)，是一個(gè)高效的混合專家（MoE）模型。

Ling-flash-2.0 模型架構(gòu)

在 Ling Scaling Laws 的指導(dǎo)下，只激活 1/32 參數(shù)（61 億），并在專家粒度、共享專家比例、注意力平衡、無輔助損失函數(shù) + Sigmoid 路由、MTP 層、QK-Norm 和 Partial-RoPE 等核心組件上進(jìn)行了全面優(yōu)化。

這些優(yōu)化使得小激活率的 MoE 模型相比同等規(guī)模的 Dense 架構(gòu)，可以實(shí)現(xiàn)高達(dá)7 倍的效率提升。

也就是說，AntAngelMed 僅需 6.1B 激活參數(shù)，就能實(shí)現(xiàn)約 40B 稠密模型的性能。這意味著模型在實(shí)際部署中對(duì)資源的占用更低、可擴(kuò)展性更強(qiáng)，非常適合高用戶需求的醫(yī)療領(lǐng)域。

由于激活參數(shù)較少，AntAngelMed 具備非常高的推理效率，在 H20 硬件環(huán)境下，可實(shí)現(xiàn)超過200 tokens/s 的推理速度，約為 36B 稠密模型的 3 倍。

對(duì)于醫(yī)療場(chǎng)景而言，這樣的推理效率不僅代表響應(yīng)更快，更重要的是，它提升了模型在實(shí)際系統(tǒng)中的可用性：在多用戶同時(shí)訪問的醫(yī)療平臺(tái)上，能夠保證穩(wěn)定輸出；在需要快速輔助決策的臨床場(chǎng)景中，能在數(shù)秒內(nèi)完成高質(zhì)量回答，減少等待時(shí)間；甚至在資源受限的邊緣部署環(huán)境中，也能以較低算力負(fù)擔(dān)提供可用性能。

另外，醫(yī)療場(chǎng)景中常常伴隨著篇幅較長(zhǎng)的病歷記錄和結(jié)構(gòu)復(fù)雜的檢查報(bào)告，信息密度高、語義層級(jí)深，對(duì)模型的理解與處理能力提出了更高要求。

為解決這一需求，AntAngelMed 采用 YaRN 外推，將上下文長(zhǎng)度擴(kuò)展至 128K，大幅增強(qiáng)了模型處理病歷等長(zhǎng)文檔的能力。

此外，為配合進(jìn)一步推理加速，團(tuán)隊(duì)還采用了 FP8 量化技術(shù)并結(jié)合 EAGLE3 優(yōu)化方案。這種軟硬結(jié)合的設(shè)計(jì)帶來了實(shí)實(shí)在在性能提升。

在并發(fā)數(shù)為 32 的情況下，與單獨(dú)使用 FP8 相比，這種方法顯著提高了推理吞吐量，在 HumanEval 數(shù)據(jù)集上的提升幅度為 71%，在 GSM8K 數(shù)據(jù)集上的提升幅度為 45%，在 Math-500 數(shù)據(jù)集上的提升幅度更是高達(dá) 94%。

從訓(xùn)練流程到模型架構(gòu)，我們不難看出，AntAngelMed 的設(shè)計(jì)始終圍繞醫(yī)療場(chǎng)景展開。三階段訓(xùn)練方式讓模型具備了專業(yè)的醫(yī)學(xué)知識(shí)，而高效的 MoE 架構(gòu)，使得模型在醫(yī)療這種高頻次、高要求的場(chǎng)景下，在大幅降低激活成本的同時(shí)，依然保持專業(yè)推理能力與長(zhǎng)上下文處理能力。

AntAngelMed：領(lǐng)先的醫(yī)學(xué)專業(yè)模型

最后，我們上手體驗(yàn)了一番，看看 AntAngelMed 真實(shí)效果如何？

先來個(gè)大家都忽視但又每天經(jīng)歷的事情，一個(gè)成年人一天到底要吃幾個(gè)雞蛋。

AntAngelMed 的響應(yīng)速度非常快，幾乎在我們輸入問題后沒幾秒就給出了答復(fù)。

模型的建議并非簡(jiǎn)單羅列營(yíng)養(yǎng)標(biāo)準(zhǔn)，而是結(jié)合了膽固醇攝入上限、個(gè)體健康狀況（如有無高血脂病史）等因素，給出了一個(gè)相對(duì)靈活的建議區(qū)間：

接下來我們又問了一個(gè)問題：請(qǐng)為一個(gè) 55 歲有高血壓病史的上班族男性，設(shè)計(jì)一個(gè)簡(jiǎn)潔可執(zhí)行的一周飲食 + 運(yùn)動(dòng)建議計(jì)劃。

AntAngelMed 的回答簡(jiǎn)直比醫(yī)生還詳細(xì)，還做了表格方便用戶查看：

結(jié)語

AntAngelMed 的開源，對(duì)于 AI 和醫(yī)療行業(yè)而言具有重要意義。

在 AntAngelMed 的基礎(chǔ)上，大量機(jī)構(gòu)和研究者可以進(jìn)行下游任務(wù)微調(diào)，極大地降低了前沿醫(yī)療 AI 技術(shù)的應(yīng)用門檻。對(duì)于普通人來說，或許過不了多久，我們就可以從 AI 那里獲得安全可信的建議了。

據(jù)介紹，螞蟻集團(tuán)還將依托國(guó)家平臺(tái)持續(xù)推進(jìn)「AI + 醫(yī)療」的開源生態(tài)與技術(shù)創(chuàng)新，讓先進(jìn)的技術(shù)能夠普惠更多開發(fā)者與用戶。