OpenAI开源霸权5天终结，百川M2一战夺冠！实测比GPT更懂中国医疗

新智元报道

编辑：桃子

【新智元导读】AI医疗，正成为全球科技巨头的必争之地！刚刚，百川智能第二款医疗增强大模型Baichuan-M2正式上线，首发即称霸全球医疗开源AI，击败OpenAI开源模型gpt-oss-120b。

在AI赛道上，医疗领域正成为全球科技巨头争夺的「C位」。

想象一下，未来每个人兜里都能揣个「AI私人医生」，随时随地给出诊断，这个画面是不是超燃？

GPT-5发布会上，一个真实的故事，让所有人感受到了AI医疗的震撼力量。

39岁Carolina在一周内，被诊断出三种癌症，面对晦涩的活检报告，她手足无措。

当上传报告到ChatGPT后，几秒钟内，复杂的医学术语被翻译成浅显的语言，让Carolina在恐慌中找到了一丝头绪，对病情有了初步的了解。

这个鲜活的案例，再次点燃了AI医疗的无限可能，也让人们看到技术如何赋能个体的深层意义。

在这条万亿美金的赛道上，中国队再次出手了。

今天，百川智能重磅发布Baichuan-M2，一款32B参数的医疗增强开源大模型。

在基准测试中，M2直接吊打OpenAI开源仅5天的gpt-oss-120b，登顶全球开源医疗模型第一。

而且，它还一举击败了除GPT-5之外的所有闭源模型。

接下来，就来扒一扒这款「医疗卷王」的硬核实力。

全球开源医疗王者，C位出道

继14B参数M1之后，Baichuan-M2是百川第二款医疗增强开源大模型，专为真实临床场景定制。

通过端到端强化学习，它在保持通用能力的同时，医疗推理能力直接「起飞」。

在OpenAI的HealthBench评测中，M2的表现非常惊艳，仅以32B参数直接干翻gpt-oss-120b，碾压Qwen3-235B-A22B-Thinking-2507、DeepSeek-R1-0528、GLM-4.5、Kimi-K2等开源前沿模型。

甚至，M2把o3、Grok3、Gemini 2.5 Pro、GPT-4.1等闭源顶尖模型也都按在地上摩擦。

要知道，HealthBench并非是简单的「刷题」测试，而是基于多轮医患对话的硬核考核。

今年5月，，由全球60个国家，262名执业医生共同打造。

这个基准包含了5000个基于现实场景的多轮医疗对话，每个对话都有医生定制的评分标准，来评估模型的响应。

具体来说，它覆盖了紧急响应、医疗上下文理解、沟通能力、全球健康知识、医学思维五大维度。

与此同时，OpenAI还推出了HealthBench Hard，从总数据集中调整选中1000个特别复杂的难题作为Hard子集。

此前，在HealthBench Hard评测中，顶尖模型得分没有一个可以超过32%，甚至很多前沿模型只能拿到0分。

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.

而Baichuan-M2和GPT-5成为全球唯二的「学霸」，直接拉高了性能天花板。

这从侧面恰恰印证了，M2在解决复杂医疗场景任务上的优秀能力。

值得一提的是，Baichuan-M2医疗推理能力强化的同时，并没有牺牲模型的通用能力。

相反，通过高质量数据训练，让M2在数学、指令遵循、写作等通用指标上性能飙升。

与最新开源的Qwen3-32B相比，M2在多方位评测中全面领先。

相较于gpt-oss-120b，M2以更低部署成本推高了「帕累托前沿」，让医院用起来毫无压力。

采用4bit量化后，模型可在RTX4090单卡部署，成本比DeepSeek-R1 H20双节点部署降低了57倍。

同时，它还适配国产芯片，让医疗机构利用现有硬件即可快速部署。

基于Eagle-3训练的MTP版本，在单用户场景下token吞吐提升了74.9%，更适用于急诊等高时效场景。

在多项「考试」中，Baichuan-M2全部通关。那么，在具体实测中，它的表现又如何呢？

代码数学，通通拿下

首先，来考考M2的通用能力。

草莓「图灵测试」，根本不用思考，一步解决。

接下来，让它生成一个绘制太阳系运行动态HTML。在推理过程中，它缜密地列出了设计思路和子任务，随后疯狂输出代码。

最后，我们就得到了一个设计精美、且直观的太阳系动态运行图。

再给它扔一道，最近连GPT-5都翻车的数学方程式求解题，M2神速输出了正确的结果。

可以看到，不论在简单问答，还是数学、代码实测中，Baichuan-M2的表现非常稳定。

而要说M2最拿手的，当然还是专业的医疗任务。

更懂中国人体质，严格遵循中国指南

AI医疗的落地，必须考虑地域差异，诸如中外患者特点、医疗服务资源与优势等等。

比如，肝细胞肝癌在中国，以乙肝相关肝癌为主，而西方更多的是酒精或丙肝相关患者。不同类型的患者，手术风险也不尽相同。

再加上，中国外科手术经验丰富、手术期管理成熟，中西方指南对于优先哪种治疗方案也各有不同。

举个栗子，在面对CNLC IIa期（BCLC B期）肝癌患者时，M2果断推荐了手术切除——解剖性肝右叶切除。

或者是，根据肿瘤具体位置，考虑扩大右半肝切除、右三叶切除等，目标是R0切除。

在此过程中，它严格遵守了国家卫健委发布的《原发性肝癌诊疗指南》（2024版），肝切除是潜在根治性治疗，追求长期生存。

针对同一病症，gpt-oss-120b却首选推荐了TACE（经动脉化疗栓塞），给出的理由是：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。

通过对比，它忽视了手术可行性，略显水土不服。

临床专家表示，这样的差异在大模型中常见，并非是高下之分，而是基于不同因素权衡之下的最优解。

Baichuan-M2从中国指南对齐、政策适配、患者洞察等多维度优化，让中国医生和患者感受到「专属」服务。

不难看出，对比gpt-oss系列，M2展现出对中国临床场景的更强适配性。

临床诊疗实战，M2表现极佳

相较于gpt-oss系列，在中国临床诊疗场景的问题评测中，M2具备了更强的可用性优势，堪称「六边形战士」。

接下来，再看个真实的案例。

一个15岁男孩，持续咳嗽两个月，逐渐出现了呼吸困难，服用头孢后无改善，初步诊断为「重症肺炎」，并伴有心包积液。

在医生看来，这并非是普通的肺炎，入院后给男孩做了一系列检查后，但还没有拿到进一步支气管病理检查结果。

为了进一步明确诊断，医生将病历上传到Baichuan-M2。

令人欣喜的是，M2就像一位熟练的「AI医生」，全面复盘了病史、体格、影像和化验数据。

没多久，它便锁定了关键线索——支气管内占位。

在初步诊断中，它逐条引用了每一项检查数据，形成了完整的证据链。

此外，M2还预警了呼吸衰竭、心包填塞等风险，并给出应急方案。

最后，它会提供了下一步检查与管理建议，形成了一个完整的「闭环」。

当然，为了确保所有推理过程有迹可循，输出全部结果后，M2也会提供详细的参考来源，方便验证。

国家儿童医学中心专家对M2的表现赞不绝口，「在医学正确性、证据链推理、可操作性上，M2展现出极强的专业性，并在风险预警方面的表现可圈可点。

此外，它还将患者既往病史与当前病变联系，为医生打开了更广阔的思路」。

不仅如此，通过与北京市海淀区卫健委、北京大学第三医院、国家儿科医学中心等权威机构合作，Baichuan-M2已在多个真实病例中，展现出超越传统AI的专家级临床思维。

核心技术揭秘，强化学习立功

Baichuan-M2的成功，就藏在了一套「黑科技」组合拳里。

从Large Verifier System，到中期训练（Mid-Training），再到端到端RL、工程优化，每一步都打下了坚实的基础。

Large Verifier System

在Baichuan-M2构建过程中，Large Verifier System成为了核心，其基于可验证奖励强化学习（RLVR），针对医疗场景的复杂性而量身设计。

为什么百川团队，选择构建Large Verifier System？

近一年来，大模型后训练范式发生了重大升级，特别是基于RLVR大规模RL训练，让模型在数学、代码、科学等领域效果爆棚。

这些领域的问题，往往有着明确的答案和可验证的标准。

比如，在数学问题中，模型的输出可以直接通过设计验证是否准确，从而生成可靠的奖励信号，用于指导模型优化。

然而，医疗问题远比这些领域复杂的多，传统RL验证系统在医疗领域效果不佳。

不同于数学的「对错分明」，医疗诊断没有绝对的「标准答案」，同一症状可能对应多种疾病，并需要多轮交互和证据链推理才能锁定。

静态的RL，无法处理这种情境，同时也难以模拟真实临床中的各种噪声。

在这个过程中，百川团队升级了底层原理的认知——

可验证性才是RL for LLM系统的学习的前提，尤其改善真实场景复杂问题的可验证性，才是继续提升模型能力的关键。

这一点，与CoT作者Jason Wei最新博客的观点，不谋而合。

为此，百川在通用Verifier基础上，结合医疗场景的独特性，设计了一套全面的医疗Verifier系统。

核心方法是，通过医疗关键子场景的医生思维数据训练，让Verifier与人类医生的临床逻辑对齐，再展开端到端强化学习。

简单说，这不是死板的规则匹配，而是活生生的「医生大脑」模拟，让模型在真实医疗任务中越练越牛。

1. 三类「黄金数据」，训出最强医生大脑

要让模型懂医疗，需要「投喂」高质量数据。

百川团队精心挑选了三种医疗数据作为基础输入，每一种都针对不同痛点，层层递进：

· 患者病历数据：记录了海量患者信息和诊疗细节，很多临床思维就藏在病历中，从症状描述到诊断推断，再到治疗方案，全是真人医生的实战经验。

· 医学知识库数据：包括书籍、论文、指南等硬核资源。这些是医疗大模型的「知识基石」，确保回答符合「医学常识」和「临床经验」，还降低安全风险。

· 通用医疗合成数据：为了适配患者、医生、护士等多方需求，百川构建了面向不同场景的通用医疗verify任务，覆盖了八大维度，比如医学准确性、回答完整性、追问感知等。

2. 患者模拟器：首创AI患者，模拟实战演练

有了多源数据还不够，真实的临床场景，可没有那么理想化。

患者表达往往具有种种噪声：因年龄、文化、教育背景等差异，症状描述可能模糊带有偏见，甚至遗漏关键信息。

这对传统RL系统是一大挑战，它们仅会基于固定答案、规则进行匹配。

百川团队希望，通过训练让M2具备「鲁棒性」和「自适应性」。

在噪声环境下，不仅可以实时重评估诊断假设；还能根据信息质量，动态调整回复策略。

为了实现这一目标，百川基于此前研究，引入了患者模拟器——一个基于真实病例数据构建的AI系统。

它能特定疾病背景、个体特征和行为模式的虚拟患者，相当于捏一个「AI病人」。

在医患对话中，它会提供真实的症状表达和交互反应，还带有「人性化噪声」。

值得一提的是，这是行业首创技术，百川早在今年1月就发表了相关论文，瞬间圈粉无数。

论文地址：https://arxiv.org/pdf/2501.09484

在多轮对话的RL过程中，虚拟患者与医生LLM实时互动，生成式Verifier根据这些信息动态生成评分标准，进行优化。

这项技术核心创新在于，把RL的奖励从静态函数变成动态生成系统。

也就是说，不再是预定义的死规则，而是基于真实场景特征的活机制。

这样一来，大大提升了医疗模型在复杂临床环境中的适应性和决策质量。

这种「实战演习」，恰恰让M2在处理复杂医疗场景的任务中，远超传统模型。

中期训练：医疗领域适应性增强

一般来说，通用大模型在医疗应用中有三大痛点：医学知识储备不足、权威性欠缺、时效性滞后。

若是直接进行后训练（post-training）容易陷入两难，要么是知识汲取不够，要么是幻觉加剧。

对此，百川的解法是中期训练（mid-training），在保持通用能力的同时，轻量高效地增强模型医疗领域的适应性。

这里，百川团队精选了公共医学教材、临床专著、药品知识库、最新诊疗指南和真实病例，形成专业库。

在数据合成阶段，重点强化两维度——「结构化表达」和「深度推理增强」。

结构化表达：基于知识保真原则，改写原始文本，提升逻辑流畅度，同时严控幻觉引入

深度推理增强：在知识密集段落和关键结论处，自适应插入思维笔记，如知识关联分析、批判性反思、论证验证、案例推演

在训练策略上，为了防止通用能力退化，百川用2:2:1配比高质量医疗、其他通用和数学推理数据，并引入领域自约束机制，确保了医疗专业性，以及语言理解、推理能力的双赢。

具体来说，医疗数据采用双任务范式，通用和数学数据以通用基座为参考模型，用KL散度约束输出分布。

这种方案，在医疗知识密度、推理深度和通用性之间，达到了完美的平衡，为后续指令微调打下了坚实基础。

得益于此，M2不仅在医疗任务上强得一批，更在通用任务中稳如老狗。

端到端强化学习：多阶段RL，训练效率拉满

在强化学习阶段，百川采用了多阶段强化学习的策略，把复杂RL任务拆解成可控层次。

针对不同能力目标、数据来源、评测机制，逐步引导模型演进。从医学常识推理，到患者交互，一层一层提升。

相较于单阶段RL训练，多阶段强化能有效分解训练难度，分阶段采集和放大reward信号，能提高模型泛化和鲁棒性。

最终，可以保证M2在复杂医疗场景的实战表现。

具体来说，百川团队采用了一个改进版GRPO算作为策略优化算法，并结合了开源社区提出的一些改进，确保多分布多来源数据上强化训练的稳定与高效。

·Eliminating KL divergence：添加KL会大幅拖慢奖励增长速率，还额外耗费参考模型计算资源，剔除后可以让训练更加高效。

·Clip-higher：提高重要性采样的剪裁上限阈值，并保持剪裁下限阈值固定，能够缓解熵值收敛问题，从而让模型探索新的解决方案。

· Loss normlization：面对多来源数据回答长度不一的痛点，把token级损失除以一个固定最大长度再求和，彻底消除原来GRPO的长度偏见。

·Advangtage normlization：针对多任务学习难度差异，一出优势计算中「除以标准差」的步骤，大幅提升多任务强化时的策略更新稳定性。

·Dynamic Length reward：当一批样本中，大多数得分超阈值时，才给高分样本加一个负相关长度奖励，鼓励更短、更高效的输出，不会限制模型探索高奖励空间。

在工程优化上，复杂的verify系统让奖励评分耗时飙升，百川在verl基础上，开发了完全异步的rollout+reward流程，基本消除了训练中的等待时间，让整个过程丝滑高效。

以上创新，得以让Baichuan-M2以小博大，还能在实战中大放异彩，这充分展现了百川团队深厚的技术实力。

国际医疗AI共识崛起，百川领跑

放眼全球，AI+医疗，绝对是当下最火的科技风口之一。

医疗领域已成为AI发展的首要方向之一，这一点在国际上，已形成了广泛的共识。

诺奖得主Demis Hassabis曾乐观地表示，未来十年，AI将会治愈所有疾病，甚至可以助力新能源的开发。

AI教父Hinton曾多次强调，AI成为每个人的私人医生，服务数百万患者；比尔盖茨也曾预言，未来十年高质量的医疗建议将免费普及。

在美国，这一共识早已转化为行动。

2025年，美国AI新晋独角兽中，AI医疗公司占比超过50%。

头部企业如Abridge、Openevidence、Hippocratic AI吸金无数，资本用真金白银投票，AI医疗的前景不言而喻。

就连OpenAI、谷歌DeepMind、微软等科技巨头，也将医疗视为核心领域。

如前所述，上周的GPT-5发布会上，奥特曼曾重点分享了ChatGPT在医疗健康领域的价值，并实际应用到了Oscar临床诊断中。

然而，与国际上对AI医疗的强烈共识和巨大投入相比，中国在这块的认知还不够深入。

在这样的背景下，百川智能作为国内最早专注医疗领域的大模型创业公司，展现出极具前瞻性的战略眼光。

成立伊始，团队就将医疗作为核心方向之一，投入了大量资源构建医疗专用数据集和大模型。

具体来看，百川的AI医疗进展可圈可点。

同月，团队在arXiv上发表了M1背后技术——「AI患者模拟器」的论文，这项创新不仅填补了国内医疗AI空白，还为全球提供了可借鉴的范式。

如今，基于患者模拟器，Baichuan-M2历经半年多迭代升级，在HealthBench等评测中取得了更大的突破。

M2的发布，不仅是医疗领域的新里程碑，更是百川作为中国企业走到世界AI医疗最前沿的生动证明。

它将彻底点燃AI医疗的开源生态，推动AI医疗走向更平权、更智能的未来。

未来，当AI私人医生普及，每个人都能平等获取顶尖医疗资源，罕见病不再是绝症....这不仅仅是AI的逆袭，更是人类健康的革命性飞跃。

这波AI医疗革命，中国AI冲在了最前面。