发布 ChatGPT 健康 6 天后，OpenAI 在自家医疗健康 Benchmark 上被反超

来源：市场资讯

（来源：极客公园）

百川智能表示今年上半年，将陆续发布两款 to C 的医疗产品。

作者｜Li Yuan

编辑｜郑玄

你有没有向 AI 助手问过你的健康问题？

如果你和我一样是一个 AI 的深度用户，大概率你也试过。

OpenAI 自己给出来的数据是，健康已成为 ChatGPT 最常见的使用场景之一，全球每周有超过 2.3 亿人提出与健康和保健相关的问题。

正因如此，跨入 2026 年，健康领域也大有成为 AI 领域必争之地的迹象了。

1 月 7 日，OpenAI 发布 ChatGPT 健康，允许用户连接电子医疗记录和各类健康应用，让用户能够获得更针对性的医疗回复；而 1 月 12 日，Anthropic 也立马推出了 Claude for Healthcare，并强调了新模型的医学场景能力。

不过有趣的是，这次，中国公司没有落下，甚至大有领先之意。

1 月 13 日，百川智能宣布发布百川 M3 模型，在 OpenAI 发布的医疗健康领域评估测试集 HealthBench，反超 OpenAI 的 GPT-5.2 High，获得 SOTA。

在宣布 All-in 医疗受到诸多质疑后，百川智能似乎终于证明了自己。极客公园此次也专程与王小川聊了聊百川智能如何看待此次 M3 模型的能力，以及 AI 医疗的终局。

01

首次在健康领域测试集超越 OpenAI

此次发布的 M3 模型，最亮眼的成绩之一，在于模型第一次在 OpenAI 发布的医疗健康领域评估测试集 HealthBench，超越 OpenAI 的 GPT-5.2 High，获得 SOTA。

SOTA On Healthbench、Healthbench Hard and Hallucination Evaluation

Healthbench 是 OpenAI 在 2025 年 5 月份发布的医疗健康领域评估测试集，由 262 位来自 60 个国家的医生共同构建，收录了 5000 组高度逼真的多轮医疗对话，是目前全球最权威、也最贴近真实临床场景的医疗评测集之一。

发布后，OpenAI 的模型一直霸榜。

而此次，百川智能的新一代开源医疗大模型 Baichuan-M3，则获得了 65.1 分的综合成绩位列全球第一，甚至在专门考验复杂决策能力的 HealthBench Hard 上，M3 也成功夺冠，刷新了最高分。

百川还同步公布了一个幻觉率的测试结果，在幻觉率，M3 模型达到了 3.5%，属于全球最低。

值得注意的是，这个幻觉率是不依赖外部检索工具，纯模型设置下的医疗幻觉率。

百川智能表示，能够达到这两点，关键的模型提升在于为医疗引入了合适于医疗的强化学习算法。

百川在 M3 模型上首次使用了 Fact Aware RL（事实感知强化学习）技术，达到了既让模型不说套话，也不让模型乱说话的效果。

这在医疗领域实际上是非常关键的。

在没有优化的模型中提问医疗问题，最容易出现的问题就是两类，一是模型直接胡编乱造你的症状，臆测一个疾病出来；而另一个则是语义模糊，最终提示你还是得去看医生，而这无论对于医生还是患者，都没有太大帮助。

这正是因为很多模型以纯幻觉率作为优化目标，此时模型可能通过堆砌简单正确的事实来稀释整体幻觉率。而百川引入语义聚类与重要性加权机制——聚类消除冗余表述的干扰，加权确保核心医学论断获得更高权重。

同时，如果单纯引入高权重的幻觉惩罚，极易迫使模型陷入「少说少错」的保守策略，因此 Fact Aware RL 的算法中还设计了动态权重调节机制，根据模型当前的能力水平自适应地平衡这两个目标——在能力构建阶段，侧重医疗知识的学习与表达（高 Task Weight）；在能力成熟后，逐步收紧事实性约束（提升 Hallucination Weight）。

当可以联网搜索时，百川还加入了基于多轮搜索的在线校验模块，同时引入了高效的缓存系统，进行海量医疗知识的对齐。

02

问诊水平超过人类医生，

步入可用阶段

不过，在 Healthbench 上超过 OpenAI 并不是此次唯一的亮点。

此次更有趣的一个点，百川自己创造性地构建了一个 SCAN-benche 评测集。比起刷榜 OpenAI 的评测集，百川自己构建的评测集，或许更能说明百川智能在医疗上想要优化的方向。

此次百川构建的测评集，关键点在于优化「端到端的问诊能力」。这源于百川自己做的实验洞察：问诊准确度每增加 2%，诊疗结果准确度就会增加 1%。

也就是说相比于 OpenAI 的 HealthBench，仍然主要关注「AI 会不会回答问题」，百川的 SCAN-benche 希望评测出的是：AI 是否能在一问一答中，获取有效信息，同时给出正确的诊疗结果和医疗意见。

通常情况下，我们向 AI 助手提问，如果只是提到「你是一位经验丰富的医生」，通常并不会得到太好的模型效果。因为真正的医生，问诊的流程是十分规范的——百川将其归纳为四个象限的 SCAN 原则：Safety Stratification（安全分层）、Clarity Matters（信息澄清）、Association & Inquiry（关联追问）与 Normative Protocol（规范化输出）。

围绕 SCAN 原则，百川借鉴医学教育里长期使用的 OSCE 方法，联合 150 多位一线医生，搭建了 SCAN-bench 评测体系，将诊疗过程拆解为病史采集、辅助检查、精准诊断三大阶段，通过动态、多轮的方式进行考核，完整模拟医生从接诊到确诊的全过程，也以在这几个流程中，都获得更好的结果，来优化模型。

此次百川也公布了 M3 模型在 SCAN-benche 上的测评结果。

结果十分有趣。百川此次不仅和模型进行了对比，还找来了真人医生进行对比。而在四个象限中，真人医生实际上都已经落后于模型能够达到的水平了。

极客公园特意对此向百川团队进行了提问，得到的回答是：此次的测评，全都是真人的专科医生在专科案例上与模型进行的比较。模型能够获胜，其一，在于模型更耐心，但更重要的是，模型拥有更好的跨学科的知识的掌握能力。

比如在一个案例中，提到 10 岁孩子反复发热，而发热是一个非常综合的医疗现象，如果只询问咳嗽等肺部情况，就容易忽略关节和泌尿系统中的严重问题，误判为普通感染。

人类医生通常只对分科的病情比较擅长，这也是复杂症状常常需要专家会诊，或者疑难病症专家也常常要去翻书找资料的原因。

而没有经过专门训练，只是扮演医生的普通模型，往往也很难回答好这类问题。

03

下一步：逐渐开始做 C 端产品，

推进更严肃的医疗

对于百川智能而言，超过人类医生这个节点，意义十分重大：这意味着 AI 开始迈过可用性的门槛，开始能够被部署到使用场景中了。

从 1 月 13 日起，用户已经可以开始在百小应的网站和 app 中，体验到 M3 模型提供的回答了。

目前的网站设计十分有趣，虽然都是使用 M3 模型进行回答，但是区分医生版和用户版。在医生版，回答更加简洁，引用更多参考文献，也更「不说人话」。而在普通病人版，模型几乎不会一次性给出回答，都会进行更多追问，进行更明确的诊断。

百川智能提到，模型在后台的思考很有意思。「我们经常能看到这个模型在思维链中提到，『这个患者没有理我的这个问题，但是这个问题我必须要问。』甚至我们有看到过那种极端的，说我已经问了患者 20 轮了，这个已经超出了设定的最大轮数，但是这个问题我还是要问。这是因为在训练的过程中模型把话说得讨巧，是得不到奖励的，它必须真的得到了足够多的关键的信息，得到正确的诊断，才能得到奖励。这个是我们跟其他人训练模型的一个明显的不同。」

近来很多 AI 公司都开始介入医疗领域。这也是百川智能认为自己的最大不同之处——要做更严肃的医疗。

「这意味着百川在选择场景时，并不是看哪个场景最好做就去做哪个。相反，百川坚持要不断上推技术能力，挑战更难的问题。」王小川讲到。

一个典型的例子是未来百川会优先做肿瘤专科的解决场景，而心理疗愈排在百川的优先级的比较靠后的位置。

在通俗观点中，普遍认为 AI 提供心理疗愈会更简单，也是一个更容易落地的场景。百川的判断逻辑则不同。他们认为肿瘤领域有更严格的科学依据。在这里，AI 更有可能做出严肃的医疗效果，从而达到或者超越人类医生的水平。相比之下，心理学领域缺乏这种确定性的科学锚点。

再比如有的公司选择给医生做分身，王小川则认为这种方向并不是百川想要做的方向。医生的分身本身不能完整复用医生的水平，更不能超越医生的水平。这样的 AI 最终只能沦为幌子和获客工具，并不能真正推动严肃医疗。

这种对严肃性的坚持，深刻影响了百川的很多商业选择。

这直接关系到王小川对医疗 AI 下个阶段根本问题的思考。他认为，当前这个阶段最重要的任务是在增强 AI 能力的基础上，逐渐提供更多的医疗供给。

中国多年来一直尝试推行分级诊疗和全科医生制度。初衷是希望老百姓先在基层看病，解决大医院挂号难、排队长、拥堵不堪的现状。

这个制度之所以推行困难，本质上是因为医疗资源的供给不足。基层医疗机构缺乏高水平的医生。大家即便只是感冒也愿意去三甲医院排队，是因为对基层的诊疗水平不放心。

这正是医疗 AI 发挥作用的关键点。大模型能够把顶尖的医学知识实现规模化分发。它填补了基层的供给缺口，让每一个社区、每一个家庭都能拥有像三甲医院专家一样的诊疗能力。

而长远来开，这还能有更广泛的影响，可能让医疗的让决策权从医生手中逐渐转移到用户身上。在传统的医疗场景中，患者是利益的受益方，但往往没有决策权。决策权集中在医生手中。这种权力的不对称往往会带来沟通成本和治疗中的痛苦。

而百川希望通过 AI，让患者能够更容易地获得优质医疗资源的供给。「很多人觉得医疗太复杂了，患者是永远理解不了的。但我们想的在美国的司法体系里面有个叫陪审团制度。法律也是非常专业的一个事，陪审团的普通人不懂，那就要求在法官、律师和检察官能够进行带领，做充分的辩论，把话说清楚，说到一个普通人能判断有罪没罪的程度，让普通人能依据逻辑正常判断即可。」王小川讲到。

这也是百川智能不愿意只做简单场景，而是希望不断向高难度的严肃诊疗推进的原因之一。

当被问到解决高难度问题是否在商业上最有回报时，王小川给出了深刻的回答。

他认为，解决感冒发烧这类小问题，很难在用户心中建立起足够的信任。医疗是一个高度依赖信任的行业。只有当 AI 能够解决重疾等高难度难题时，才能真正建立起信任的基础。

从商业逻辑上看，患者面对严肃的健康问题时，也更有意愿为高质量的 AI 服务付费。这种信任不仅是商业回报的前提，更是 AI 医疗能够规模化应用的核心。

而从更根本的意义上讲，医疗对于百川智能和王小川本人而言，仍然意味着是一条接近通用人工智能（AGI）的路径。

王小川认为，AI 目前在文、理、工、艺等领域都已找到了切实的解法，医疗则是一个极为独特的领域。人类对医学的探索尚未穷尽，AI 在这一领域也正处于摸索阶段。

百川的路线图非常清晰。首先通过 AI 提升诊病效率，解决当前医疗供给短缺的问题。在此基础上，百川致力于建立与患者之间的深度信任。当患者愿意使用 AI 工具，长期进行医疗咨询，AI 就能在长期的陪伴中积累真实且高质量的医疗数据。

这些数据的终极目标是构建生命的数学模型。这是一条人类医生至今尚未完全走通的道路，未来很有可能由 AI 率先实现。如果能完成对生命本质的建模，这将成为推动通用人工智能迈向更高阶进步的关键一步。

*头图来源：百川智能官网

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你如何看待 AI 医疗？

苹果首款折叠 iPhone Fold 手机壳金属模具曝光。

点赞关注极客公园视频号，