北京
一款完全离线的开源医疗人工智能模型来了。由Tether Data旗下AI研究团队打造的MedPsy，能在手机或笔记本上直接运行，用户的健康数据全程不必离开设备。这个模型同时发布了两套尺寸规格：适合普通手机的1.7B版本，以及面向高端手机与笔记本的4B版本。
团队给出的结论相当直接：出色的训练，比单纯堆砌模型尺寸更管用。MedPsy的实际表现达到并超越了数倍于自身参数规模的竞品，靠的不是更大体量，而是在高质量医疗数据上实施了更精细的训练。
在标准医学基准测试中，4B版本的MedPsy就与谷歌的MedGemma-27B打得有来有回，甚至略占上风。你需要注意这个对比的口径——谷歌那款模型的参数规模，是它的将近七倍。
具体来说，QVAC MedPsy是一系列小型医学语言模型，作为Tether开源本地AI生态系统QVAC平台的一部分进行开发。它能回答日常医学问题，用清晰的文本逐步展示临床推理过程。两款模型均基于开源Qwen3模型构建，以Apache 2.0许可证发布，供研究和教育用途。完整版和更小的压缩版现已上传至Hugging Face，可以搭配llama.cpp或QVAC SDK高效执行。SDK本身提供了一个可在任意设备上本地运行的简易库，覆盖手机、笔记本及服务器，并具备跨平台运作、推理委托和点对点传输能力。
团队已声明，MedPsy是一个用于问答和临床推理的通用医学模型，并未在心理健康、治疗或危机干预领域接受训练及验证。
技术思路的核心在于，怎么训练一个模型，和把它做到多大同等重要。QVAC团队押注医学训练数据的质量，以及一套专门面向医学领域设计的多阶段训练流程。在他们看来，一个在单一领域持续深钻的模型，面对试图吞下一切知识的大块头模型，反而可能占据上风。
训练数据来自QVAC Genesis II合成医学数据集，覆盖生物、化学等多个医学分支，同时整合了公开可用的医学问答提示。这些数据被用作种子，由一款强大的教师模型（Baichuan-M3-235B）生成思维链推理轨迹、延伸论证依据和以决策为导向的答案，以此完成品质爬升。
还有一项工程收益的副产品值得留意。与底层基座模型相比，MedPsy-4B得出答案所需消耗的token数减少了约3.2倍。token数越少，意味着响应越快、电量消耗越低。这恰好是移动端部署最关心的两个指标。
在封闭式医学基准测试的平均成绩上，MedPsy-4B已经达到甚至压过MedGemma-27B的数据。与此同时，小到能塞进普通智能手机的1.7B版本，仍在保持医学推理能力的前提下，印证了一条行业判断：医疗AI能力不必然与模型体量绑定，数据训练的用心程度，完全可以改写性能的天花板。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
