AI 醫(yī)療還在比進度，百川已在比高度

Baichuan-M3：以為醫(yī)療決策過程建模為核心，三項關鍵評測達到全球最優(yōu)水平。

作者丨鄭佳美

編輯丨岑峰

近一年來，AI 醫(yī)療正在進入一個明顯不同于以往的新階段。無論在國內還是海外，越來越多大型科技公司、醫(yī)藥企業(yè)和產(chǎn)業(yè)資本開始通過投資、并購或深度合作的方式，進入 AI 健康與醫(yī)療領域。

這背后并不只是對賽道規(guī)模的押注，而是一個更清晰的共識正在形成：醫(yī)療，正在成為少數(shù)真正需要、也能夠檢驗大模型能力上限的核心場景之一。

但現(xiàn)實問題同樣突出。盡管應用數(shù)量快速增長，受限于能力，真正能進入醫(yī)療核心流程的 AI依然有限。當前主流醫(yī)療大模型，大多仍建立在靜態(tài)問答或醫(yī)生角色扮演的范式之上，模型被要求給出看起來合理、語氣專業(yè)的回答，卻并不真正理解醫(yī)療決策是如何發(fā)生的。

在真實場景中，這類模型往往難以主動發(fā)現(xiàn)信息缺口，無法構建完整的醫(yī)學推理路徑，也缺乏對醫(yī)療幻覺的有效約束，最終只能反復輸出模糊而安全的高頻建議。這正是AI醫(yī)療看起來很熱，但落地很難的根本原因。

行業(yè)真正需要的，并不是更像醫(yī)生的回答，而是更接近醫(yī)療決策過程本身的模型能力。

百川給出的解法，正是從這一點切入。百川新一代醫(yī)療增強大語言模型 Baichuan-M3，沒有繼續(xù)強化問答或對話表現(xiàn)，而是將訓練目標直接對準醫(yī)療決策過程本身。新的模型不再只負責生成結論，而是被訓練為能夠主動收集關鍵信息、構建醫(yī)學推理路徑，并在推理過程中持續(xù)抑制幻覺。這意味著，模型第一次被系統(tǒng)性地當作決策參與者，而不是回答生成器。

這種能力定義的變化，直接提升了模型在真實醫(yī)療場景中的可用性與可靠性。在多項醫(yī)療評測中，Baichuan-M3 已經(jīng)展現(xiàn)出超越當前國際主流模型的表現(xiàn)，它的優(yōu)勢并不體現(xiàn)在表達更自然，而在于判斷更穩(wěn)定、推理更完整、風險更可控。

從更宏觀的角度看，百川的路徑，或許代表著 AI 醫(yī)療正在發(fā)生的一次重要轉向：行業(yè)關注點正從模型能不能回答醫(yī)學問題，轉向模型是否能被信任地嵌入醫(yī)療系統(tǒng)。

當這一條件逐步成立，AI 醫(yī)療的價值，才可能真正從單點工具，演進為醫(yī)療體系中的基礎能力。

01
百川用三個SOTA破局AI臨床落地難題

在嚴肅醫(yī)療場景中，判斷一個大模型能不能真正用起來，關鍵并不在于它能不能給出一個看起來合理的答案，而在于它能不能在復雜、不確定、要求很高的情況下，穩(wěn)定走完整個醫(yī)療決策過程。

百川在新一代醫(yī)療增強大語言模型 Baichuan-M3 中，正是圍繞這一點做系統(tǒng)性設計的。模型的實際效果，主要體現(xiàn)在三個關鍵評測維度上，而且在這三個維度中都達到了當前行業(yè)的最好水平。

第一個維度，是HealthBench評估基準。HealthBench 是由 OpenAI 發(fā)布的醫(yī)療健康評測測試集，一共包含5000 組來自真實醫(yī)療場景的多輪對話，覆蓋了多種實際應用情況。它和常見的問答測試不一樣，不是看答得像不像，而是由 262 名醫(yī)生共同制定了 48,562 項評估標準，用來系統(tǒng)評估模型在連續(xù)問診、醫(yī)學推理和風險控制等方面的能力。這一基準，也是 OpenAI 用來評估自家最先進模型和醫(yī)療健康產(chǎn)品的重要參考，包括 GPT-5.2 和 ChatGPT Health。

在 HealthBench 及其高難度子集 HealthBench-Hard 的測試中，Baichuan-M3表現(xiàn)出了明顯的代際提升。和上一代模型 Baichuan-M2 相比，M3 在 HealthBench-Hard 上的得分提高了 27.9 個百分點，最終達到 44.4 分，并超過 GPT-5.2，刷新了這一基準的最好成績。同時，在HealthBench的綜合排行榜中，Baichuan-M3也排在第一位。這說明，在更復雜、更接近真實使用環(huán)境的醫(yī)療場景中，模型的穩(wěn)定性和一致性已經(jīng)明顯提高。

第二個維度，是對醫(yī)療幻覺的控制。降低幻覺一直是百川在醫(yī)療方向上的長期目標。此前在 Baichuan-M2 Plus 中，百川已經(jīng)驗證，通過六源證據(jù)體系引入外部證據(jù)，可以在一定程度上緩解幻覺問題。 Baichuan-M3 更進一步，重點進一步前移到了模型本身，也就是在不使用外部工具、不做檢索增強的情況下，盡量減少模型僅憑內部知識生成時出現(xiàn)幻覺。

為此，百川采用了一種更嚴格的評估方式。模型生成的長文本，會被拆解成一條條可以核查的醫(yī)學判斷，再逐條和權威醫(yī)學來源進行比對，從而量化模型的事實準確性。

在這種無工具場景下的測試中，Baichuan-M3 的幻覺問題明顯減少，整體可靠性已經(jīng)超過 GPT-5.2。這意味著，模型在信息不充分時，不再急于給出結論，而是更傾向于收斂判斷、降低風險。

第三個維度，是端到端的嚴肅問診能力。為此，百川提出了“嚴肅問診范式”與“SCAN原則”，通過Safety Stratification（安全分層)、Clarity Matters（信息澄清)、Association & Inquiry（關聯(lián)追問)與 Normative Protocol（規(guī)范化輸出)，將臨床問診中高度依賴經(jīng)驗的思維過程，第一次系統(tǒng)性地“白盒化”。

圍繞 SCAN 原則，百川借鑒醫(yī)學教育里長期使用的 OSCE 方法，聯(lián)合 150 多位一線醫(yī)生，搭建了 SCAN-bench 評測體系，這個體系以真實臨床經(jīng)驗作為“標準答案”，將診療過程拆解為病史采集、輔助檢查、精準診斷三大階段，通過動態(tài)、多輪的方式進行考核，完整模擬醫(yī)生從接診到確診的全過程。相比于 HealthBench，SCAN-bench 是更加全流程端到端的動態(tài)評測新范式。

同時，百川還使用原生模型訓練方法取代角色扮演 prompt，針對 GRPO 無法穩(wěn)定進行長對話訓練的問題，設計了新的SPAR 算法，使模型能夠在有限對話輪次中，把臨床真正需要的關鍵問題問全、問準，把風險兜住，讓輸出經(jīng)得起復核。

在SCAN-bench的綜合評測中，Baichuan-M3 在臨床問診、實驗室檢查和疾病診斷三個核心環(huán)節(jié)中都排在第一位。

尤其是在最難、也最能拉開差距的臨床問診階段，Baichuan-M3 得到了 74.9 分，不僅比第二名模型 GPT-5.2-High 高出 12.4 分，也明顯高于 53.5 分的人類基線水平。在實驗室檢查建議和最終診斷兩個環(huán)節(jié)，模型分別取得 72.1 分和 74.4 分，同樣保持最高準確率。這些結果說明，Baichuan-M3已經(jīng)具備從病史采集、檢查決策到最終診斷的完整醫(yī)療推理能力。

支撐這些結果的，是百川對醫(yī)療長決策鏈訓練方式的系統(tǒng)調整。在訓練中，復雜的診療流程被拆分成多個階段分別優(yōu)化，并通過分段流水線強化學習提高整體效率。同時，引入 SPAR 算法，對多輪對話中的每一步進行更精細的獎勵和約束，減少無效提問和邏輯跳躍，讓模型在保證準確率的同時，保持交互過程的連貫和可控。

在此基礎上，Baichuan-M3 把推理能力的提升和幻覺控制放在同一套工程目標中一起優(yōu)化。通過事實感知強化學習訓練架構，模型在提升推理能力的同時，引入對醫(yī)學事實的動態(tài)校驗機制，避免因為推理能力變強而放大幻覺風險。最終形成的，是一種既能深入推理、又足夠可靠的醫(yī)療服務能力。

整體來看，Baichuan-M3 在 HealthBench、幻覺評估和 SCAN-bench 三個維度上的領先，并不是零散成績，而是同一套設計思路在不同評測體系中的集中體現(xiàn)。當模型被訓練為真正理解醫(yī)療決策是如何一步步發(fā)生的，它在真實醫(yī)療場景中的長期使用價值，才真正開始成立。

02
真正的AI醫(yī)療，不是一場短跑

如果把視角從單一模型或單次技術突破中抽離出來，放到更長的產(chǎn)業(yè)周期中去看，百川在醫(yī)療方向上的持續(xù)投入，本質上是一種少見但更具確定性的長期主義選擇。

醫(yī)療從來不是 AI 最容易兌現(xiàn)價值的領域，它不允許快速試錯，也不接受模糊結論，對安全性、可解釋性和責任邊界都有近乎苛刻的要求。正因如此，醫(yī)療也成為少數(shù)幾個真正能夠逼迫大模型走出生成能力舒適區(qū)、檢驗其工程成熟度與系統(tǒng)可靠性的場景之一。

近一年來，國內外 AI 醫(yī)療的密集升溫，并不是偶然的市場情緒變化，而是多重因素疊加后的結果。一方面，大模型在推理、長鏈條決策和多輪交互上的能力開始逼近可用門檻，另一方面，醫(yī)療系統(tǒng)內部長期存在的信息割裂、效率瓶頸和結構性壓力，也在主動尋找新的技術解法。

這種供需在時間點上的重合，使 AI 醫(yī)療從是否可行的討論，逐步轉向如何進入核心流程的現(xiàn)實問題。在這一背景下，早期就選擇深度參與醫(yī)療的公司，開始顯現(xiàn)出路徑上的先發(fā)優(yōu)勢。

也正是在這一階段，行業(yè)內不同路徑之間的差異開始被放大。

一類玩家選擇用規(guī)模和連接來證明自身價值，通過強調日活用戶數(shù)量、資金投入規(guī)模以及連接了多少醫(yī)生和醫(yī)療資源，來展示自身的存在感。但如果整個行業(yè)都用這些產(chǎn)品經(jīng)理所熟悉的B端規(guī)模指標來衡量AI價值時，醫(yī)療AI其實正在陷入一種‘數(shù)據(jù)焦慮’。

從某種程度上說，這段時間一些原本以醫(yī)療為核心敘事的產(chǎn)品將重心轉向大健康領域，更多聚焦飲食管理、運動建議和情緒價值，同樣也是互聯(lián)網(wǎng)產(chǎn)品經(jīng)理數(shù)據(jù)焦慮的另一種體現(xiàn)。這種選擇能夠立竿見影地改善數(shù)據(jù)，但客觀上回避了醫(yī)療中最困難、也最不可回避的核心問題，即診斷責任。

在嚴肅醫(yī)療場景中，上述數(shù)據(jù)的優(yōu)勢和體驗的優(yōu)化，并不會自動轉化為診斷能力本身。AI 醫(yī)療或許并不需要另一個更親民的‘導診員’或‘掛號助手’，真正稀缺的是能夠像主治醫(yī)師一樣，在復雜病史中抽絲剝繭、構建推理路徑的‘決策大腦’。

相比于走向泛健康、泛陪伴的‘輕型助手’路徑，百川選擇了最難的一條路：硬碰硬地進入嚴肅醫(yī)療場景，把重心前移到模型能力上，關注的不是連接了多少醫(yī)生、患者，而是模型本身是否具備醫(yī)生級別的能力結構——醫(yī)療AI不應只是緩解焦慮的‘情緒搭子’，而應是解決病痛的‘科學工具’。

百川更看重的，不是優(yōu)化看病的流程，而是提升診斷的質量。

這也意味著，百川面對的并不是短期競爭，而是一場標準更高、周期更長的系統(tǒng)工程。

嚴肅醫(yī)療要求模型不僅能夠給出結論，還必須在信息是否充分、判斷是否穩(wěn)健、風險是否可控等方面經(jīng)得起反復檢驗。這類能力很難通過簡單的模型堆疊或話術優(yōu)化獲得，而更依賴長期的訓練范式、評估體系和工程經(jīng)驗積累。這也是為什么，真正有能力進入醫(yī)療核心流程的AI系統(tǒng)，始終屈指可數(shù)。

從這個意義上看，百川正在構建的并不僅是一代模型的領先優(yōu)勢，而是一套更底層的能力結構。它試圖讓 AI 從輔助工具，逐步轉變?yōu)榭梢员会t(yī)療系統(tǒng)理解、審核和接續(xù)的能力模塊。

這種結構一旦成立，價值就不會局限于某個產(chǎn)品或某次應用上線，而會在更長時間內持續(xù)釋放復利效應。它看起來很慢，但回報方式本身，更符合醫(yī)療系統(tǒng)的演進邏輯。

AI 醫(yī)療真正的分水嶺，或許不在于模型參數(shù)規(guī)模或單項指標的領先，而在于是否有足夠的耐心和判斷力，去承擔嚴肅醫(yī)療所必然伴隨的復雜性、約束與長期投入。當行業(yè)逐步從熱度回歸理性，那些真正圍繞醫(yī)療本身做系統(tǒng)性建設的路徑，才會開始顯現(xiàn)出不可替代的價值。百川正在押注的，正是這樣一個更長遠、也更具確定性的未來。

未經(jīng)「AI科技評論」授權，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。