Baichuan-M3: Modeling Clinical Inquiry for Reliable Medical Decision-Making
原标题 + 中文标题
Baichuan-M3: Modeling Clinical Inquiry for Reliable Medical Decision-Making百川 M3：为可靠医疗决策建模临床问诊过程
一句话摘要
百川智能发布 235B 参数的开源医疗大模型 Baichuan-M3，基于 Qwen3 架构并采用独创的 SPAR 分段流水线强化学习算法，将临床问诊分解为四个认知阶段分别训练，在 HealthBench Hard 上以 44.4 分排名全球第一，超越 GPT-5.2-High，幻觉率低至 3.5%（M3 Plus 进一步降至 2.6%）。
完整核心内容翻译
项目背景
2026 年初，百川智能正式发布 Baichuan-M3——全球首个在核心医疗基准上超越 GPT-5.2 的开源大模型。仅 9 天后，升级版 Baichuan-M3 Plus 随即发布，进一步降低了幻觉率并大幅削减了 API 调用成本。
百川智能是一家聚焦于医疗 AI 垂直领域的中国 AI 公司，由前搜狗 CEO 王小川于 2023 年创立。Baichuan-M3 是其医疗模型系列的第三代产品，继承了 M1（首个全场景深度思考模型）和 M2（循证增强医疗模型）的技术积累。
模型架构
- 总参数量：235B
- 基础架构：基于 Qwen3 架构构建
- 开源许可：Apache 2.0
- 部署选项：
| 部署配置 | 显存需求 | 适用场景 |
|---|---|---|
| 完整 FP16 | >400GB | 研究/训练 |
| W4 量化 | ~120GB | 企业级（8x24GB GPU） |
| 边缘优化版 | ~48GB | 本地开发（2x RTX 4090） |
核心创新：SPAR 算法
SPAR（Segmented Pipeline Reinforcement Learning，分段流水线强化学习）是 Baichuan-M3 最核心的技术创新。该算法将临床问诊过程分解为四个认知阶段，每个阶段配备专门的奖励模型——这一设计直接模仿了人类医学教育中的分阶段训练方式：
1. 病史采集（History Taking）
- 评估信息收集的完整性和相关性
- 对遗漏关键风险因素的行为进行惩罚
- 模拟住院医师学习"全面问诊"的过程
2. 鉴别诊断（Differential Diagnosis）
- 评估诊断逻辑与症状表现的一致性
- 确保鉴别诊断覆盖合理的可能性范围
- 模拟主治医师的临床推理过程
3. 检验检查建议（Laboratory Testing）
- 评判检查方案的成本效益和诊断必要性
- 避免不必要的过度检查
- 模拟上级医师对检查方案的审核
4. 最终诊断（Final Diagnosis）
- 根据已收集的证据对诊断准确性进行加权评估
- 确保结论有充分的临床依据支撑
- 模拟多学科会诊（MDT）的决策过程
幻觉控制：事实感知强化学习
Baichuan-M3 在降低医疗幻觉方面采用了事实感知强化学习（Fact-Aware Reinforcement Learning），包含三个核心机制：
- 原子声明分解（Atomic Claim Decomposition）：将模型的每个回复分解为单独的、可验证的事实声明
- 在线验证（Online Verification）：将每个声明与权威医学知识库进行实时比对
- 动态奖励聚合（Dynamic Reward Aggregation）：在回复流畅性和事实准确性之间进行动态平衡
SCAN 临床问诊原则
模型遵循 SCAN 四大原则：
- S - Safety Stratification（安全分层）：对患者风险进行分级评估
- C - Clarity（清晰表达）：使用精确的临床语言
- A - Association & Inquiry（关联问诊）：主动进行追问和关联推理
- N - Navigation（导航决策）：给出可操作的明确结论
基准测试表现
| 测试指标 | Baichuan-M3 成绩 | 排名/对比 |
|---|---|---|
| HealthBench Hard | 44.4 | 全球第一 |
| HealthBench Total | 65.1 | 领先 |
| SCAN-bench 临床问诊 | 第一名（领先第二名 12.4 分） | 绝对领先 |
| 幻觉率 | 3.5% | 业界最低 |
与 GPT-5.2-High 的对比：在 HealthBench Hard 的复杂医疗推理评估中，Baichuan-M3 超越了 GPT-5.2-High。
M3 Plus 升级要点
在 M3 发布仅 9 天后推出的 M3 Plus 版本进一步实现了：
- 幻觉率从 3.5% 降至 2.6%
- 集成"六源循证范式"（Six-Source Evidence-Based Paradigm），确保诊断建议和用药警示基于权威医学证据
- API 调用成本降低 70%
- 整体稳定性和可信度显著提升
技术要点
SPAR 算法的医学教育启发：将 AI 训练过程类比人类医生的分阶段培养（实习-住院-主治-专家），为每个阶段设计专用奖励函数，这是"领域知识驱动 RL 设计"的典范。
原子声明分解的幻觉控制：将回复拆解为最小可验证单元，再逐一比对知识库——这一方法将"事后检查幻觉"变为"过程中预防幻觉"，2.6% 的幻觉率在医疗 AI 领域树立了新标杆。
235B 参数与消费级部署的兼顾：通过 W4 量化技术，235B 的大模型可在 2x RTX 4090（约 48GB 显存）上运行，使医院和诊所级别的本地部署成为可能——这对医疗数据隐私保护至关重要。
HealthBench Hard 超越 GPT-5.2 的含义：HealthBench Hard 专注于最具挑战性的医疗推理场景，Baichuan-M3 在此基准上超越 GPT-5.2-High，表明垂直领域深度优化可以在特定任务上超越通用旗舰模型。
9 天内发布 Plus 版本的迭代速度：从 M3 到 M3 Plus 的极短迭代周期，展示了百川在医疗 AI 领域快速响应反馈和持续优化的能力。
深度解读
Baichuan-M3 代表了 AI 行业一个重要趋势的成熟：垂直领域专用模型在其擅长的领域超越通用旗舰模型。
SPAR 算法的设计哲学值得深思。 大多数 RL 训练采用统一的奖励函数来优化整个任务，但临床问诊本质上是一个多阶段决策过程——不同阶段需要不同的认知能力和评估标准。SPAR 通过为每个阶段设计独立的奖励模型，让 AI 学会了"像医生一样分步思考"，而非"一次性给出答案"。这种"认知过程建模"的方法论，可能对其他需要多步推理的专业领域（法律分析、工程设计、科学研究）具有重要的借鉴意义。
幻觉控制是医疗 AI 的生死线。 在通用对话中，偶尔的幻觉可能只是"不太准确"；但在医疗场景中，一个虚构的药物相互作用警告或遗漏的禁忌症提示可能直接危及生命。Baichuan-M3 将幻觉率控制在 2.6%，虽然仍未达到零幻觉的理想目标，但已经将"AI 辅助诊断"从"概念验证"推进到了"临床可用"的边界。
百川的商业策略也颇具启示。 在其他中国 AI 公司争相追逐通用 AGI 的赛道上，百川选择深耕医疗垂直领域，与北京儿童医院等顶级医疗机构合作，构建了万亿级 token 的医疗数据库。2024 年 To B 业务贡献近 1 亿元收入、2025 年订单签约额预计 10-20 亿元——这证明"小而深"的垂直策略同样可以建立可持续的商业模式。
延伸思考
2.6% 的幻觉率够用吗？ 在高风险医疗决策中，即使是 2.6% 的错误率也可能带来严重后果。未来是否需要"AI 诊断 + 人类医生复核"的双重保障机制成为法定要求？
SPAR 的跨领域迁移：将专业过程分解为认知阶段并分别训练的思路，能否应用于法律（案件分析→法条检索→论证构建→判决建议）或金融（风险评估→投资分析→组合优化→合规审查）等领域？
医疗 AI 的监管挑战：当开源医疗模型可以在两张消费级显卡上本地运行时，如何确保模型的更新、校准和质量控制？开源带来的可及性与医疗安全之间的张力将如何平衡？
原文链接
- arXiv 论文：https://arxiv.org/abs/2602.06570
- Dr7.ai 详细解读：https://dr7.ai/baichuan-m3
- AIBase 报道（M3 Plus）：https://news.aibase.com/news/24844