Baichuan-M2：百川的医疗答卷｜模型解读

低调许久的百川，开源了 Baichuan-M2，32B 专注医疗

开源协议为 Apache  2.0：可修改、可商用

从医疗榜单 HealthBench 来看，M2 上超越 gpt-oss-120b，甚至在部分指标上超越了 o3、Grok3、Gemini 2.5 Pro 等闭源巨头

单论医疗能力，仅次于 GPT-5，是开源模型中最强的

M2 的创新，大概是三点：大型验证器系统（Large Verifier System）、Mid-Training 医疗领域适应和多阶段强化学习策略，在保持通用能力的同时，提升了医疗能力

在这里，还有个小事情值得一提：Baichuan-M2 这个模型，在 HealthBench 上最接近 GPT-5，，但通过 4-bit 量化后只需要 单张 RTX4090 就能部署。

下面，让我们以更系统的方式，来看看 Baichuan-M2 是怎么炼成的

本文将从核心理念、验证器系统、训练架构、实战表现、部署优化五个维度来拆解下 M2

核心理念：AI医生

传统医疗AI 可以在 USMLE 这类医疗考试中，拿到很高分数

但到了临床，却不会看病...为啥呢？这里容我先插播一段历史

在半个世纪前，第一批AI诞生，叫「专家系统」

这起源来自一个大胆的想法：既然人类专家靠经验和规则来解决问题，那我们就把所有经验&规则都写进电脑，不就等于复制了一个专家吗？

具体怎么做呢？
比如找来一位资深医生，问他：“看到什么症状会判断是感冒啊？”
医生回答：“病人发烧超过 38 度，还一直咳嗽，那就得考虑是不是感冒了。”

工程师就把这经验编成规则：
IF (发烧 > 38度 AND 持续咳嗽)
THEN (检查感冒)

基于这种思路，斯坦福在 1970 年代初开发了一套专家系统：MYCIN，用来协助医生寻找传染病治疗方案

在测试过程中，MYCIN 在推荐治疗方案时表现出了与斯坦福感染科专家相当的水平。

然而，尽管性能良好，但它最终未能在医院落地：
现实世界根本不是靠几条规则就能搞定的：有时候，资深老大夫也说不清自己是怎么诊断的，可能就是直觉

「人有多聪明，我就写多少规则」的思路，最终被证明过于简单。

真实的临床实践是一个动态、多轮的决策过程，医生常常需要在信息不完整的情况下，综合经验、沟通技巧和伦理考量做出判断。

这里，百川希望培养一个真正的 AI医生：会主动问诊、懂得共情沟通、能权衡检查成本与诊断收益

验证器系统：临床模拟

要实现「AI医生」要怎么做？

人有多聪明，我就写多少规则 这种规则填鸭显然不行

强化学习（RL）呢？直接用在医疗领域，也水土不服

在数学领域，我们有着简洁问题、标准答案所构造的静态数据

医疗问题是复杂问题，没有标准答案

同一个症状，可能存在不同病因；同一个病因，面对不同的患者体格、病史、用药史，治疗方案也千差万别。

医疗需要动态验证：不仅要看诊断结果对不对，更要看问诊过程的思维方式对不对

但构建这个系统最大的难点在于：现实中的病人，几乎都无法准确表达自己的症状

资深医生，能轻易从患者的含糊描述中，抓住关键病因

而基于静态病例、临床指南训练的模型，很难处理这种情况

为了突破这一瓶颈，百川搭建了一套的临床模拟系统，包含两部分组成：

一、患者模拟器 (Patient Simulator)

基于海量脱敏病历、临床指南和真实医患对话，自动生成仿真患者。这些患者不再是呆板的文本，他们会表现出焦虑、恐惧，甚至会选择性地透露或隐瞒信息，极大地还原了真实问诊的复杂性

二、临床评分器 (Clinical Rubrics Generator)

在这里，百川设计了一套多维加权评估清单，对标高级医生的临床思维模式。与常规 benchmark 不同的是，这套判定不仅仅是对错判断，而是从诊断准确性、问诊逻辑、治疗方案合理性、沟通共情能力、医疗伦理等多个维度，对模型进行连续的量化打分。

在这个高度仿真的环境中：模型和虚拟患者不断交互，根据评分器的密集反馈持续优化诊疗策略。模型从医学生开始开始练习，通过与无数仿真患者的互动，接收专家评审团的密集反馈，一路成长为经验丰富的医生

训练架构

Baichuan-M2 的训练采用了“三段式”架构，系统性地将知识、推理和实战能力注入模型。

一、数据配比
为了在增强医学能力的同时不损害其通用性，训练数据以 2:2:1 的比例混合了高质量医疗数据、其他通用数据和数学推理数据

二、推理注入
Baichuan M2 有着类似 DeepSeek-R1 的推理，在知识密集的文本中，团队自适应地插入了思维注释 (deep thinking notes)，模拟医生在面对复杂病例时的知识关联、批判性反思和病例推演过程。

三、强化学习
在强化学习（RL）阶段，M2 采用了改进版的 GRPO (Group Relative Policy Optimization) 算法，这与 DeepSeek-V3/R1 的选择不谋而合

通过多阶段的 RL 策略，模型在“虚拟医院”中进行“科室轮转”，从基础的问诊沟通开始，逐步学习处理更复杂的诊断和决策任务

实战表现

下面是 Baichuan-M2 的测试成绩，基于 HealthBench

先穿插说一下HealthBench

这是 OpenAI 发布的一个目前最为权威的医疗测试集，有 262 名全球医生合作构建，包含了 5000 场真实的多轮医患对话，并为每一场对话都定制了由医生编写的、包含数万条细则的评分标准，来评估模型在真实临床场景下的综合能力。

在这套评测中，M2 在多个核心医疗场景中排名排名第一，包括：

• • 急诊转诊 (Emergency Referrals): 74.6分
• • 医疗语境理解 (Medical Context Understanding): 48.0分
• • 医患沟通 (Communication): 68.6分

而在难度极高的 HealthBench Hard 测试集上，目前全球仅有 Baichuan-M2 和 GPT-5 的得分超过了 32 分，这充分证明了其在解决复杂医疗问题上的顶尖水平

在中国医疗场景下，M2 的优势尤为明显

以上图的肝癌案例为例，M2 能够准确依据中国的 CNLC 指南给出手术建议，而 gpt-oss-120b 则基于 BCLC 指南做出了“不可手术”的错误判断。

另外的来说，在真实的复杂病例场景中，M2 的 SOAP (主观、客观、评估、计划) 临床思维流程，其推理过程与真实医生的工作流高度一致。

部署优化

对于数据安全诉求很高的医疗模型来说，有着极高的本地化部署的诉求，要让模型在医院场景下经济、高效地运行。对此，百川的这一模型，在部署优化上做到了极致

先是跑得动：M2 通过 4-bit 权重与 8-bit KV cache 的量化方案，团队将原本近 120GB 的模型文件压缩至 24GB 以内，而精度损失控制在 2% 以内，使得单张消费级的 RTX 4090 显卡即可流畅运行。

再是跑得快：M2 通过 Eagle-3 的 MTP (Multi-token Prediction) ，模型在单用户场景下实现了 74.9% 的吞吐量提升，进一步加快了推理速度

还得都能跑：M2 不仅支持 vLLM、SGLang 等主流推理框架，还深度适配了华为昇腾 NPU，为模型的国产化部署铺平了道路

总结

各模型厂都有自己的定位，百川是主打医疗

这次的 M2-32B，算是交了一张优秀的答卷