Baichuan-M3：以為醫(yī)療決策過(guò)程建模為核心，三項(xiàng)關(guān)鍵評(píng)測(cè)達(dá)到全球最優(yōu)水平。

作者丨鄭佳美

編輯丨岑峰

近一年來(lái)，AI 醫(yī)療正在進(jìn)入一個(gè)明顯不同于以往的新階段。無(wú)論在國(guó)內(nèi)還是海外，越來(lái)越多大型科技公司、醫(yī)藥企業(yè)和產(chǎn)業(yè)資本開(kāi)始通過(guò)投資、并購(gòu)或深度合作的方式，進(jìn)入 AI 健康與醫(yī)療領(lǐng)域。

這背后并不只是對(duì)賽道規(guī)模的押注，而是一個(gè)更清晰的共識(shí)正在形成：醫(yī)療，正在成為少數(shù)真正需要、也能夠檢驗(yàn)大模型能力上限的核心場(chǎng)景之一。

但現(xiàn)實(shí)問(wèn)題同樣突出。盡管應(yīng)用數(shù)量快速增長(zhǎng)，受限于能力，真正能進(jìn)入醫(yī)療核心流程的 AI依然有限。當(dāng)前主流醫(yī)療大模型，大多仍建立在靜態(tài)問(wèn)答或醫(yī)生角色扮演的范式之上，模型被要求給出看起來(lái)合理、語(yǔ)氣專業(yè)的回答，卻并不真正理解醫(yī)療決策是如何發(fā)生的。

在真實(shí)場(chǎng)景中，這類模型往往難以主動(dòng)發(fā)現(xiàn)信息缺口，無(wú)法構(gòu)建完整的醫(yī)學(xué)推理路徑，也缺乏對(duì)醫(yī)療幻覺(jué)的有效約束，最終只能反復(fù)輸出模糊而安全的高頻建議。這正是AI醫(yī)療看起來(lái)很熱，但落地很難的根本原因。

行業(yè)真正需要的，并不是更像醫(yī)生的回答，而是更接近醫(yī)療決策過(guò)程本身的模型能力。

百川給出的解法，正是從這一點(diǎn)切入。百川新一代醫(yī)療增強(qiáng)大語(yǔ)言模型 Baichuan-M3，沒(méi)有繼續(xù)強(qiáng)化問(wèn)答或?qū)υ挶憩F(xiàn)，而是將訓(xùn)練目標(biāo)直接對(duì)準(zhǔn)醫(yī)療決策過(guò)程本身。新的模型不再只負(fù)責(zé)生成結(jié)論，而是被訓(xùn)練為能夠主動(dòng)收集關(guān)鍵信息、構(gòu)建醫(yī)學(xué)推理路徑，并在推理過(guò)程中持續(xù)抑制幻覺(jué)。這意味著，模型第一次被系統(tǒng)性地當(dāng)作決策參與者，而不是回答生成器。

這種能力定義的變化，直接提升了模型在真實(shí)醫(yī)療場(chǎng)景中的可用性與可靠性。在多項(xiàng)醫(yī)療評(píng)測(cè)中，Baichuan-M3 已經(jīng)展現(xiàn)出超越當(dāng)前國(guó)際主流模型的表現(xiàn)，它的優(yōu)勢(shì)并不體現(xiàn)在表達(dá)更自然，而在于判斷更穩(wěn)定、推理更完整、風(fēng)險(xiǎn)更可控。

從更宏觀的角度看，百川的路徑，或許代表著 AI 醫(yī)療正在發(fā)生的一次重要轉(zhuǎn)向：行業(yè)關(guān)注點(diǎn)正從模型能不能回答醫(yī)學(xué)問(wèn)題，轉(zhuǎn)向模型是否能被信任地嵌入醫(yī)療系統(tǒng)。

當(dāng)這一條件逐步成立，AI 醫(yī)療的價(jià)值，才可能真正從單點(diǎn)工具，演進(jìn)為醫(yī)療體系中的基礎(chǔ)能力。

01
百川用三個(gè)SOTA破局AI臨床落地難題

在嚴(yán)肅醫(yī)療場(chǎng)景中，判斷一個(gè)大模型能不能真正用起來(lái)，關(guān)鍵并不在于它能不能給出一個(gè)看起來(lái)合理的答案，而在于它能不能在復(fù)雜、不確定、要求很高的情況下，穩(wěn)定走完整個(gè)醫(yī)療決策過(guò)程。

百川在新一代醫(yī)療增強(qiáng)大語(yǔ)言模型 Baichuan-M3 中，正是圍繞這一點(diǎn)做系統(tǒng)性設(shè)計(jì)的。模型的實(shí)際效果，主要體現(xiàn)在三個(gè)關(guān)鍵評(píng)測(cè)維度上，而且在這三個(gè)維度中都達(dá)到了當(dāng)前行業(yè)的最好水平。

第一個(gè)維度，是HealthBench評(píng)估基準(zhǔn)。HealthBench 是由 OpenAI 發(fā)布的醫(yī)療健康評(píng)測(cè)測(cè)試集，一共包含5000 組來(lái)自真實(shí)醫(yī)療場(chǎng)景的多輪對(duì)話，覆蓋了多種實(shí)際應(yīng)用情況。它和常見(jiàn)的問(wèn)答測(cè)試不一樣，不是看答得像不像，而是由 262 名醫(yī)生共同制定了 48,562 項(xiàng)評(píng)估標(biāo)準(zhǔn)，用來(lái)系統(tǒng)評(píng)估模型在連續(xù)問(wèn)診、醫(yī)學(xué)推理和風(fēng)險(xiǎn)控制等方面的能力。這一基準(zhǔn)，也是 OpenAI 用來(lái)評(píng)估自家最先進(jìn)模型和醫(yī)療健康產(chǎn)品的重要參考，包括 GPT-5.2 和 ChatGPT Health。

在 HealthBench 及其高難度子集 HealthBench-Hard 的測(cè)試中，Baichuan-M3表現(xiàn)出了明顯的代際提升。和上一代模型 Baichuan-M2 相比，M3 在 HealthBench-Hard 上的得分提高了 27.9 個(gè)百分點(diǎn)，最終達(dá)到 44.4 分，并超過(guò) GPT-5.2，刷新了這一基準(zhǔn)的最好成績(jī)。同時(shí)，在HealthBench的綜合排行榜中，Baichuan-M3也排在第一位。這說(shuō)明，在更復(fù)雜、更接近真實(shí)使用環(huán)境的醫(yī)療場(chǎng)景中，模型的穩(wěn)定性和一致性已經(jīng)明顯提高。

第二個(gè)維度，是對(duì)醫(yī)療幻覺(jué)的控制。降低幻覺(jué)一直是百川在醫(yī)療方向上的長(zhǎng)期目標(biāo)。此前在 Baichuan-M2 Plus 中，百川已經(jīng)驗(yàn)證，通過(guò)六源證據(jù)體系引入外部證據(jù)，可以在一定程度上緩解幻覺(jué)問(wèn)題。 Baichuan-M3 更進(jìn)一步，重點(diǎn)進(jìn)一步前移到了模型本身，也就是在不使用外部工具、不做檢索增強(qiáng)的情況下，盡量減少模型僅憑內(nèi)部知識(shí)生成時(shí)出現(xiàn)幻覺(jué)。

為此，百川采用了一種更嚴(yán)格的評(píng)估方式。模型生成的長(zhǎng)文本，會(huì)被拆解成一條條可以核查的醫(yī)學(xué)判斷，再逐條和權(quán)威醫(yī)學(xué)來(lái)源進(jìn)行比對(duì)，從而量化模型的事實(shí)準(zhǔn)確性。

在這種無(wú)工具場(chǎng)景下的測(cè)試中，Baichuan-M3 的幻覺(jué)問(wèn)題明顯減少，整體可靠性已經(jīng)超過(guò) GPT-5.2。這意味著，模型在信息不充分時(shí)，不再急于給出結(jié)論，而是更傾向于收斂判斷、降低風(fēng)險(xiǎn)。

第三個(gè)維度，是端到端的嚴(yán)肅問(wèn)診能力。為此，百川提出了“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，百川借鑒醫(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，這個(gè)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)，百川還使用原生模型訓(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SCAN-bench的綜合評(píng)測(cè)中，Baichuan-M3 在臨床問(wèn)診、實(shí)驗(yàn)室檢查和疾病診斷三個(gè)核心環(huán)節(jié)中都排在第一位。

尤其是在最難、也最能拉開(kāi)差距的臨床問(wèn)診階段，Baichuan-M3 得到了 74.9 分，不僅比第二名模型 GPT-5.2-High 高出 12.4 分，也明顯高于 53.5 分的人類基線水平。在實(shí)驗(yàn)室檢查建議和最終診斷兩個(gè)環(huán)節(jié)，模型分別取得 72.1 分和 74.4 分，同樣保持最高準(zhǔn)確率。這些結(jié)果說(shuō)明，Baichuan-M3已經(jīng)具備從病史采集、檢查決策到最終診斷的完整醫(yī)療推理能力。

支撐這些結(jié)果的，是百川對(duì)醫(yī)療長(zhǎng)決策鏈訓(xùn)練方式的系統(tǒng)調(diào)整。在訓(xùn)練中，復(fù)雜的診療流程被拆分成多個(gè)階段分別優(yōu)化，并通過(guò)分段流水線強(qiáng)化學(xué)習(xí)提高整體效率。同時(shí)，引入 SPAR 算法，對(duì)多輪對(duì)話中的每一步進(jìn)行更精細(xì)的獎(jiǎng)勵(lì)和約束，減少無(wú)效提問(wèn)和邏輯跳躍，讓模型在保證準(zhǔn)確率的同時(shí)，保持交互過(guò)程的連貫和可控。

在此基礎(chǔ)上，Baichuan-M3 把推理能力的提升和幻覺(jué)控制放在同一套工程目標(biāo)中一起優(yōu)化。通過(guò)事實(shí)感知強(qiáng)化學(xué)習(xí)訓(xùn)練架構(gòu)，模型在提升推理能力的同時(shí)，引入對(duì)醫(yī)學(xué)事實(shí)的動(dòng)態(tài)校驗(yàn)機(jī)制，避免因?yàn)橥评砟芰ψ儚?qiáng)而放大幻覺(jué)風(fēng)險(xiǎn)。最終形成的，是一種既能深入推理、又足夠可靠的醫(yī)療服務(wù)能力。

整體來(lái)看，Baichuan-M3 在 HealthBench、幻覺(jué)評(píng)估和 SCAN-bench 三個(gè)維度上的領(lǐng)先，并不是零散成績(jī)，而是同一套設(shè)計(jì)思路在不同評(píng)測(cè)體系中的集中體現(xiàn)。當(dāng)模型被訓(xùn)練為真正理解醫(yī)療決策是如何一步步發(fā)生的，它在真實(shí)醫(yī)療場(chǎng)景中的長(zhǎng)期使用價(jià)值，才真正開(kāi)始成立。

02
真正的AI醫(yī)療，不是一場(chǎng)短跑

如果把視角從單一模型或單次技術(shù)突破中抽離出來(lái)，放到更長(zhǎng)的產(chǎn)業(yè)周期中去看，百川在醫(yī)療方向上的持續(xù)投入，本質(zhì)上是一種少見(jiàn)但更具確定性的長(zhǎng)期主義選擇。

醫(yī)療從來(lái)不是 AI 最容易兌現(xiàn)價(jià)值的領(lǐng)域，它不允許快速試錯(cuò)，也不接受模糊結(jié)論，對(duì)安全性、可解釋性和責(zé)任邊界都有近乎苛刻的要求。正因如此，醫(yī)療也成為少數(shù)幾個(gè)真正能夠逼迫大模型走出生成能力舒適區(qū)、檢驗(yàn)其工程成熟度與系統(tǒng)可靠性的場(chǎng)景之一。

近一年來(lái)，國(guó)內(nèi)外 AI 醫(yī)療的密集升溫，并不是偶然的市場(chǎng)情緒變化，而是多重因素疊加后的結(jié)果。一方面，大模型在推理、長(zhǎng)鏈條決策和多輪交互上的能力開(kāi)始逼近可用門(mén)檻，另一方面，醫(yī)療系統(tǒng)內(nèi)部長(zhǎng)期存在的信息割裂、效率瓶頸和結(jié)構(gòu)性壓力，也在主動(dòng)尋找新的技術(shù)解法。

這種供需在時(shí)間點(diǎn)上的重合，使 AI 醫(yī)療從是否可行的討論，逐步轉(zhuǎn)向如何進(jìn)入核心流程的現(xiàn)實(shí)問(wèn)題。在這一背景下，早期就選擇深度參與醫(yī)療的公司，開(kāi)始顯現(xiàn)出路徑上的先發(fā)優(yōu)勢(shì)。

也正是在這一階段，行業(yè)內(nèi)不同路徑之間的差異開(kāi)始被放大。

一類玩家選擇用規(guī)模和連接來(lái)證明自身價(jià)值，通過(guò)強(qiáng)調(diào)日活用戶數(shù)量、資金投入規(guī)模以及連接了多少醫(yī)生和醫(yī)療資源，來(lái)展示自身的存在感。但如果整個(gè)行業(yè)都用這些產(chǎn)品經(jīng)理所熟悉的B端規(guī)模指標(biāo)來(lái)衡量AI價(jià)值時(shí)，醫(yī)療AI其實(shí)正在陷入一種‘?dāng)?shù)據(jù)焦慮’。

從某種程度上說(shuō)，這段時(shí)間一些原本以醫(yī)療為核心敘事的產(chǎn)品將重心轉(zhuǎn)向大健康領(lǐng)域，更多聚焦飲食管理、運(yùn)動(dòng)建議和情緒價(jià)值，同樣也是互聯(lián)網(wǎng)產(chǎn)品經(jīng)理數(shù)據(jù)焦慮的另一種體現(xiàn)。這種選擇能夠立竿見(jiàn)影地改善數(shù)據(jù)，但客觀上回避了醫(yī)療中最困難、也最不可回避的核心問(wèn)題，即診斷責(zé)任。

在嚴(yán)肅醫(yī)療場(chǎng)景中，上述數(shù)據(jù)的優(yōu)勢(shì)和體驗(yàn)的優(yōu)化，并不會(huì)自動(dòng)轉(zhuǎn)化為診斷能力本身。AI 醫(yī)療或許并不需要另一個(gè)更親民的‘導(dǎo)診員’或‘掛號(hào)助手’，真正稀缺的是能夠像主治醫(yī)師一樣，在復(fù)雜病史中抽絲剝繭、構(gòu)建推理路徑的‘決策大腦’。

相比于走向泛健康、泛陪伴的‘輕型助手’路徑，百川選擇了最難的一條路：硬碰硬地進(jìn)入嚴(yán)肅醫(yī)療場(chǎng)景，把重心前移到模型能力上，關(guān)注的不是連接了多少醫(yī)生、患者，而是模型本身是否具備醫(yī)生級(jí)別的能力結(jié)構(gòu)——醫(yī)療AI不應(yīng)只是緩解焦慮的‘情緒搭子’，而應(yīng)是解決病痛的‘科學(xué)工具’。

百川更看重的，不是優(yōu)化看病的流程，而是提升診斷的質(zhì)量。

這也意味著，百川面對(duì)的并不是短期競(jìng)爭(zhēng)，而是一場(chǎng)標(biāo)準(zhǔn)更高、周期更長(zhǎng)的系統(tǒng)工程。

嚴(yán)肅醫(yī)療要求模型不僅能夠給出結(jié)論，還必須在信息是否充分、判斷是否穩(wěn)健、風(fēng)險(xiǎn)是否可控等方面經(jīng)得起反復(fù)檢驗(yàn)。這類能力很難通過(guò)簡(jiǎn)單的模型堆疊或話術(shù)優(yōu)化獲得，而更依賴長(zhǎng)期的訓(xùn)練范式、評(píng)估體系和工程經(jīng)驗(yàn)積累。這也是為什么，真正有能力進(jìn)入醫(yī)療核心流程的AI系統(tǒng)，始終屈指可數(shù)。

從這個(gè)意義上看，百川正在構(gòu)建的并不僅是一代模型的領(lǐng)先優(yōu)勢(shì)，而是一套更底層的能力結(jié)構(gòu)。它試圖讓 AI 從輔助工具，逐步轉(zhuǎn)變?yōu)榭梢员会t(yī)療系統(tǒng)理解、審核和接續(xù)的能力模塊。

這種結(jié)構(gòu)一旦成立，價(jià)值就不會(huì)局限于某個(gè)產(chǎn)品或某次應(yīng)用上線，而會(huì)在更長(zhǎng)時(shí)間內(nèi)持續(xù)釋放復(fù)利效應(yīng)。它看起來(lái)很慢，但回報(bào)方式本身，更符合醫(yī)療系統(tǒng)的演進(jìn)邏輯。

AI 醫(yī)療真正的分水嶺，或許不在于模型參數(shù)規(guī)?；騿雾?xiàng)指標(biāo)的領(lǐng)先，而在于是否有足夠的耐心和判斷力，去承擔(dān)嚴(yán)肅醫(yī)療所必然伴隨的復(fù)雜性、約束與長(zhǎng)期投入。當(dāng)行業(yè)逐步從熱度回歸理性，那些真正圍繞醫(yī)療本身做系統(tǒng)性建設(shè)的路徑，才會(huì)開(kāi)始顯現(xiàn)出不可替代的價(jià)值。百川正在押注的，正是這樣一個(gè)更長(zhǎng)遠(yuǎn)、也更具確定性的未來(lái)。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁(yè)、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來(lái)源并插入本公眾號(hào)名片。