蚂蚁专用模型超越o3！仅用2K训练样本刷新医疗AI榜单纪录

MedResearcher-R1团队 投稿
量子位 | 公众号 QbitAI

不卷参数的专业模型，会不会被通用大模型取代？

在医疗领域，这个疑问正在被打破。

蚂蚁集团联合研究团队发布的《MedResearcher-R1: Expert-Level Medical Deep Researcher》技术报告，证明了一条关键路径：专业开源模型只要做好领域化设计，有机会在垂直赛道上“以小博大”，反超通用大模型。

团队发布的医学AI智能体MedResearcher-R1，靠2100条（约2K规模）训练样本，在权威医疗基准测试MedBrowseComp上，将复杂医疗研究任务的准确回答数量提升至27.5。

刷新该榜单纪录的同时，超过o3、Gemini 2.5 Pro等领先通用大模型，突破了此前25.5的业界准确回答“卡点”。

让AI学会像医学专家那样思考

研究背景

现在，基于大语言模型 (LLM) 的Agent已展现出跨越多个领域的卓越能力。

例如深度研究系统在复杂信息搜索和合成任务中就展现了高性能。但它们在医疗等专业领域容易出现不同程度的“水土不服”，面对复杂医疗查询时也常“掉链子”，核心问题就两个：

1. 缺“专业储备”：通用模型没有密集的医疗知识，面对罕见病、多病症关联等场景，支撑不了临床推理；
2. 缺“精准工具”：依赖公开网页搜索的通用工具，要么找不到权威医疗数据，要么被错误信息干扰，无法保障推理严谨性。

而MedResearcher-R1的突破源于数据、工具、训练方法三大核心创新。

据此，蚂蚁团队提出了知识指引下的轨迹合成框架（KISA），在12个医学专业领域生成了2100多条不同的轨迹，每条轨迹平均与4.2个工具交互，为构建“专家级AI医疗研究员”提供了全新范式。

三大核心技术：不堆参数，只做 “精准突破”

MedResearcher-R1没有走“堆参数、喂海量数据”的老路，而是从“让AI学会像医学专家那样思考”出发，做了三个关键设计：

1. 主动 “造难题”：从3000万文献里炼出“4.2步推理题”

传统AI训练靠“啃现成数据”，而MedResearcher-R1学会了“自己造题”，尤其是医疗领域的“高难度研究型问题”。

研究团队先从超过3000万篇医学文献中，筛选出罕见病、特殊药理机制等“冷门但关键”的医学实体，再围绕这些实体搭建知识图谱。

最核心的一步是：从知识图谱里提取“最长推理路径”——比如“罕见遗传病→关联基因→靶向药物→代谢副作用”的多环节链条，最终生成需要平均调用4.2次工具才能解决的复杂问题。

这意味着AI训练时学的不是“翻书查答案”，而是“拆解问题、逐步验证”的专家级思维，比如面对“某罕见心脏病的用药副作用”，它会主动追溯药物机制、临床数据，而非直接套模板回答。

2. 专属“工具箱”：不囿于公开搜索，直连权威医疗数据源

通用领域Deep Research Agent的“软肋”之一，是只能依赖公开网页搜索。

在医疗场景里，未经筛选的网络公开检索信息不仅可能过时，还可能混杂非临床级数据。

MedResearcher-R1直接配备了私有化部署的医疗专用工具集：通过直接访问国际医疗指南、核心医学期刊等一手权威信源，尽可能从根源上避免“信息噪音”。

比如在回答“某药物成分”时，它会直接调取官方药品注册数据，而非依赖可能出错的公开科普；验证“药物副作用”时，会对接临床验证结果，确保每一步推理都有权威依据。

3. 不教“背诵”教“思考”：「蒙版轨迹引导（Masked Trajectory Guidance）」技术“逼”出AI的自主能力

怕AI“死记硬背”？MedResearcher-R1的训练方法直接改道而行。

研究团队用了一种“蒙版轨迹引导（Masked Trajectory Guidance）”技术：训练时只给 AI一个“推理框架”（比如“疾病→药物→副作用”的逻辑链），但隐藏关键实体信息（比如具体疾病名称、药物成分）。

这就逼着AI必须主动调用工具：查疾病指南确认病症、搜药品数据库匹配成分、验临床数据验证副作用，最终自己“拼出”完整推理链。

这种训练不是“喂答案”，而是“教方法”——最终提升了小模型的泛化能力，在面对没见过的新医疗问题，也能像人类研究员一样自主拆解、验证。

举个具体例子：当被问及“某药物的活性成分（需满足质数剂量、受体拮抗机制等多条件）”时，通用AI通常会根据各种公开信息进行全面整理给出不同答案；

而MedResearcher-R1会先查企业史锁定药企，再调取药物信息，接着验证成分的化学结构与受体机制，最后确认副作用 ——整套流程复刻人类医学研究员的工作逻辑，最终给出具体药物名称。

既要追求专业，还要“不偏科”

更值得注意的是，蚂蚁还在攻克其专业模型的 “通用研究能力”提升，试图打破“专业模型只能干一行”的刻板印象。

从GAIA、xBench等通用AI助手基准测试结果来看，MedResearcher-R1的表现也保持业界前列，初步验证小规模模型可以同时兼具“领域深度”和“通用广度”，避免因为“专精医疗”而变成“偏科生”。

MedResearcher-R1等专业模型发展的意义，不在于一次次测试结果，而是验证另一种可能性：在医疗、法律、工业等专业领域，“参数规模”不是唯一解药，“Agentic Data”才是破局关键——通过精准的数据源搭建、专用工具开发、创新训练方法，小规模模型有机会能啃下硬骨头。

在容错率极低的医疗领域，专业模型仍然需要不断提升可解释性、合规性等，这也是行业未来面临的共同挑战。

目前，研究团队已宣布将MedResearcher-R1的代码和数据集开源，希望在推动全球研究者在该领域的协同创新，加速开发能够辅助人类专家、提升医疗研究效率与质量的下一代AI工具。

感兴趣的朋友可通过官网链接直接体验。

官网链接：https://chat.antaq.com/
报告地址：https://arxiv.org/abs/2508.14880

— 完 —