“医生版ChatGPT”来了！百川发布最强循证增强大模型M2 Plus，幻觉率远低于DeepSeek

编辑丨王多鱼

排版丨水成文

2025 年 10 月 22 日，百川智能发布循证增强医疗大模型——Baichuan-M2 Plus，同步升级配套应用百小应并开放 API。这是百川自 8 月开源 Baichuan-M2 以来的又一次重要动作。

评测显示，M2 Plus 的医疗幻觉率较通用大模型显著降低，仅为DeepSeek的约三分之一，优于美国最火的面向医疗专业人员的 AI 临床决策支持工具OpenEvidence，可信度比肩资深临床医生。

通用大模型固有的幻觉问题，导致其在严肃医疗场景中难以真实应用。国内众多医院虽积极尝试部署和优化 DeepSeek，但实际效果不尽如人意。而大洋彼岸的现象级医疗大模型产品 OpenEvidence，能给我们重要启示。该产品因符合医学认知的循证增强，已有 40% 美国医生在临床场景中注册使用，每月咨询量达 1650 万次。两天前，该公司 C 轮融资 2 亿美金，估值达 60 亿美元。

百川 M2 Plus 首创六源循证推理（EAR）范式，打造“医生版ChatGPT”，让大模型技术在辅助临床诊疗场景迈过“敢用、可用”关键门槛，不仅适合中国医疗环境，在美、日、英的医疗评测中均超过 OpenEvidence，代表中国在世界大模型擂台上再下一城。

首创六源循证推理范式，把循证做“全”、检索做“准”、推理做“对”

六源循证：打造从原始研究到真实世界的完整知识体系

循证医学（Evidence-Based Medicine，EBM）作为现代医学知识体系的核心范式，是确保医疗决策可信的关键。

通用大模型像一个“博学但不可靠”的专家，即便有搜索增强，也会因为知识来源混杂不符合循证医学范式。

百川不仅主动屏蔽了互联网的非专业信息来源，只使用权威来源的医学证据，还在此基础上构建了从证据、到实践、再到真实世界反馈六层证据类型的知识体系：

• 原始研究层：索引海量医学期刊论文 4000 余万篇，超过 PubMed 收录数量，涵盖基础与临床研究成果，是循证链条的起点；

• 证据综述层：整合系统评价和 Meta 分析等高等级证据，提供经过汇总的研究结论；

• 指南规范层：引入国际和国内权威机构发布的临床指南、专家共识和行业标准，确保回答符合最新规范；

• 实践知识层：包含临床病例报道、一线专家经验和诊疗技巧等实用知识，贴近医疗实践场景；

• 公共健康教育层：汇集权威科普和公共卫生知识，如疾病预防宣教、健康指导等内容，服务大众健康教育；

• 监管与真实世界层：涵盖药监部门公告、临床试验登记及大规模真实世界研究数据等信息，以反映最新的监管动态与人群研究结果。

这个金字塔形的“六源”，是一层一层演化而来：原始层回答“事实是否存在”、证据层回答“结论是否一致”、指南层回答“行业如何规范”、实践层回答“医生应如何决策”、公共层回答“患者应如何理解”、真实世界层回答“是否存在新风险”。这让模型从“生成答案”走向“据实回答”，实现了从语言可信度到知识可信度的跃升。

循证检索：从“找得到”跃升到“找得准”

传统的 RAG 检索往往追求“找得到”，而循证检索追求“找得准”。

M2 Plus 采用 PICO 框架（人群 Population、干预 Intervention、对照 Comparison、结局 Outcome）思维，将查询转化为结构化医学问题，并在六源数据库中进行分层匹配。例如：当输入“老年 OSA 患者使用 CPAP 能否改善高血压？”时，系统优先在高等级证据（系统综述、RCT元分析）中搜索，并自动辨识研究质量、样本量、置信区间与结局指标。

这种方法克服了通用 RAG 的两大缺陷：一是缺乏医学语义理解（无法区分 CPAP 疗效与依从性分析）；二是无法辨别文献可靠性（新闻与指南同权）。在此基础上，M2 Plus 能够三步精准锁定“铁证”：

第一步，智能提问：自动将用户问题拆解成多个专业的 PICO 查询，进行“地毯式”证据搜索，兼顾精度与广度。

第二步，精准锁定：通过自研的 Medical Contextual Retrieval 技术，完整保留文献的临床因果链，避免信息割裂。

第三步，证据排序：内置“审稿人”模型，自动评估证据等级（如 RCT、Meta 分析），将最可信、最相关的“铁证”优先呈现。

循证推理：让模型“像医生一样思考”

如果说“六源循证”解决了医疗 AI 知识从哪来的问题，“PICO 智能检索”解决了如何快速找到正确证据的问题，那么最关键的一步是如何确保 AI 在手握证据时，不会“自由发挥”、脱离事实胡乱回答。

百川智能在 M2 Plus 中引入“循证增强训练”机制，为模型的回答过程“上了一道锁”，从根本上改变了其生成逻辑，让它学会“引用，而非臆测”。

首先，在训练中奖励“引用”，惩罚“臆测”，准确引用权威来源（指南、文献）时会获得高分，一旦回答脱离了检索到的证据就会受到惩罚；

其次，内置“证据评估器”，模型被训练得能够自动评估检索到的证据质量，优先采纳高可信度的信息（RCT、Meta分析），并将其无缝嵌入到推理链中；

第三，句句有据，可回溯、可验证：经过训练，M2-Plus的 回答风格发生了根本性改变，在输出关键结论时，会自动附上参考文献、指南出处等来源，这赋予了 AI 回答更高的可解释性与可信赖度。

幻觉最低，达到与人类资深临床专家同等可信度

这种“循证驱动”的生成逻辑，让 M2 Plus 几乎杜绝了无中生有的内容。在多场景评测中，其综合幻觉率在所有大模型当中最低，降为 DeepSeek R1 最新版的三分之一，显著领先 OpenEvidence。不仅如此，在病史分析、诊断思路、治疗方案等真实复杂的核心医疗场景中，达到了与人类资深临床专家同等的可信度。

例如，提问：目前公认最有效的基因治疗药物靶向足细胞递送方案有哪些？”很多通用大模型回答这个问题时都产生了明显幻觉，而 M2 Plus 的回答不仅查到了全球最新研究成果，还能按纳米递送系统/AAV 病毒载体等维度分类。该回答所引用文献非常具有专业性、且信息源紧贴顶刊 ERA 等最新进展，对足细胞基因治疗这一前沿方向，帮助医生快速了解国际热点技术路线，少走弯路。

对于 PACAP 在偏头痛中的研究进展的提问，多数大模型给出的答案都因幻觉问题而不可用。而接入了 M2 Plus 百小应能够能梳理全球 PACAP 偏头痛研究，从机制到 3 期临床试验自动串联证据链，不仅回答问题，更让医生站在未来看科研进展。

无论是专业医疗问题还是常规医疗问答M2 Plus都会引用权威医学证据

多国医学考试大幅领先，医学知识运用能力超越人类医生

美国执业医师资格考试（USMLE）是评估临床知识和推理能力的黄金标准，即便是经验丰富的临床专家，要突破 90 分也极具挑战。在此项考试中，M2-Plus 取得了惊人的97分，不仅远超人类考生平均水平，更与 GPT-5 的成绩持平，稳居全球第一梯队，展示了其世界级的临床问题解决能力。

中国执业医师资格考试（NMLE）及格线为360分，对于广大医学生而言，能考到 450 分以上已是高分，超过 500 分则被视为“学神”级别。M2 Plus 取得了568分的“碾压级”成绩，在所有公开测试的主流大模型中位列第一，充分证明其对中国临床指南和医疗实践的掌握已炉火纯青。

如果说执医考是“从业门槛”，那么中国硕士研究生招生考试临床医学综合能力（西医）考试则是顶尖医学生竞争的“华山论剑”。该考试不仅知识面广，且题目设计极为复杂，对临床思维要求高。通常，能考到 280 分以上的考生，都是协和、北医等顶尖学府的头部学霸。M2 Plus 在此项考试中取得了282分。同时，在日本、英国、澳大利亚等国高级医师职称晋升考试中，准确率 85% 以上，远超各国及格线。

这些压倒性的成绩充分说明，M2 Plus在复杂医学知识运用上的能力，已经超越了人类医生水准。

“医生版 ChatGPT”推动医疗 AI 迈入可信可用阶段

接入 M2 Plus 的百小应已在各大手机应用商店更新，成为“医生版 ChatGPT”。为方便电脑端使用，网页版（ying.ai）也同步上线。

除了需要高效地辅助临床决策，医生还开始面对新的挑战：患者用 DeepSeek 自诊和带着 DeepSeek 就医的现象越来越多。虽然知道大模型可能有幻觉和偏颇，但没有时间和精力去甄别哪句对哪句错。通过百小应，医生有了面对通用模型挑战的“专属武器”。

对于希望深入理解诊断、治疗、预后、病因、检查等背后科学逻辑的患者及家属，面对复杂的就医环境和不同医生给出的诊疗方案，百小应让他们有机会获得最新最权威的知识、顶尖专家的思维和视角，得到无限耐心的专业解答。

Baichuan-M2 Plus 也提供了标准化 API 接口，医院信息化部门、互联网医疗、大健康服务等各类泛医学机构，以及从事医疗 AI 行业的开发者，则可以通过 API 将循证推理接入服务场景，提升 AI 服务的医学专业性。

通过开源 Baichuan-Ｍ2、发布 Baichuan-Ｍ2 plus、百小应，开放 API，百川致力于持续提升 AI 医疗在真实临床场景的可用性，推动大模型在严肃医疗场景进入落地可用新阶段。