1. Baichuan-M2 醫療大模型簡介

1.1 基本信息

Baichuan-M2-32B 是【百川智能】推出的醫療增強推理模型，專注于解決真實世界中的各類醫療推理任務。該模型以 Qwen2.5-32B 為基座，創新性地集成大型驗證系統（Large Verifier System）。該模型通過對真實醫療問題進行領域微調，在保持卓越通用能力的同時，實現了醫療性能的突破性提升。

百川官網： 【百川智能】

1.2 下載地址

Github： Github/Baichuan-M2
技術報告： Arxiv - Baichuan-M2
技術社區： Blog- Baichuan-M2

模型下載：
Huggingface - Baichuan-M2-32B
Huggingface - Baichuan-M2-GPTQ-4bit
Huawei Ascend 8bit

引用格式：

@misc{baichuan-m2,title={Baichuan-M2: Scaling Medical Capability with Large Verifier System},author={M2 Team and Chengfeng Dou and Chong Liu and Fan Yang and Fei Li and Jiyuan Jia and Mingyang Chen and Qiang Ju and Shuai Wang and Shunya Dang and Tianpeng Li and Xiangrong Zeng and Yijie Zhou, et al.},year={2025},eprint={2509.02208},archivePrefix={arXiv},primaryClass={cs.LG},url={https://arxiv.org/abs/2509.02208},
}

1.3 技術特點

【Baichuan-M2 醫療模型】的核心技術突破：

1. 通過大型驗證系統（Large Verifier System）結合醫療場景特征，設計了包含患者模擬器與多維驗證機制的全方位醫療驗證框架；
2. 采用中間訓練（Mid-Training）的醫療領域適配增強技術，在保持通用能力的前提下實現輕量高效的醫療領域適配；
3. 運用多階段強化學習策略，將復雜RL任務分解為層次化訓練階段，逐步提升模型的醫學知識、推理能力及患者交互水平。

【Baichuan-M2 醫療模型】的核心優勢：

1. 🏆 全球最強開源醫療模型：HealthBench測評超越所有開源模型及多數閉源模型，醫療能力最接近GPT-5
2. 🧠 醫生思維對齊：基于真實臨床病例與患者模擬器訓練，具備臨床診斷思維與強健的醫患交互能力
3. ? 高效部署：支持4比特量化單卡RTX4090部署，MTP版本在單用戶場景下Token吞吐量提升58.5%

2. Baichuan-M2 模型技術報告

2.1 摘要

【Baichuan-M2】超越模型：基于大型驗證系統提升醫療能力

摘要：
我們推出 Baichuan-M2——專為真實世界醫學推理任務設計的醫學增強推理模型。該研究從真實醫學問題出發，基于大規模驗證器系統開展強化學習訓練。在保持模型通用能力的同時，白研-M2的醫學效能實現突破性提升，成為迄今為止全球最佳的開源醫學模型。其在HealthBench基準測試中不僅超越所有開源模型（包括gpt-oss-120b），更領先于諸多前沿閉源模型，是目前醫學能力最接近GPT-5的開源模型。我們的實踐表明：強大的驗證器對連接模型能力與真實世界至關重要，而端到端的強化學習方法能從根本上增強模型的醫學推理能力。白研-M2的發布推動了醫療人工智能領域的技術前沿。

背景：
在大語言模型的發展中，“知識"與"能力"是兩條互補但相對獨立的脈絡。醫學領域正是檢驗大語言模型能力的關鍵場景之一，全球科技巨頭與創新企業正持續加碼醫療AI能力建設。長期以來，醫師資格考試（如USMLE）的表現被視為衡量醫療AI水平的重要指標。但隨著題庫日趨飽和，僅依托選擇題或簡答題的評估已無法全面反映模型的實際臨床價值——畢竟醫療AI不是"考試機器”，高分≠實用。評估醫療AI能力需要建立系統化方法，驗證模型在推理、決策、臨床溝通等核心維度的綜合表現。從業界到學界，從單選題測試走向能力導向、多維全景的評估方式正逐漸成為行業共識。

2.2 醫學性能評估

2.2.1 HealthBench基準

HealthBench是OpenAI發布的醫療領域評估測試集，包含5,000組真實場景多輪對話，覆蓋廣泛診療情境。該基準通過262名執業醫師編寫的48,562項評判標準對模型能力進行系統評估。

我們對 【Baichuan-M2 模型】在HealthBench全量測試集、HealthBench Hard子集及 HealthBench Consensus子集上進行全面測評，并與當前最優開源及閉源模型進行橫向對比。

我們對比了 【Baichuan-M2 模型】 與gpt-oss-120b、Qwen3-235B-A22B-Thinking-2507、DeepSeek-R1-0528、GLM-4.5以及Kimi-K2 等領先開源模型的表現。

如圖所示，在HealthBench基準測試中，【Baichuan-M2 模型】全面超越了當前所有前沿開源模型。這一優勢在HealthBench Hard任務中尤為突出，充分證明了【Baichuan-M2 模型】在解決復雜醫療場景任務方面的卓越能力。

即便與當前最優秀的閉源模型相比，【Baichuan-M2 模型】在HealthBench和HealthBench Hard測試集上仍超越了o3、Grok3、Gemini 2.5 Pro及GPT-4.1等先進模型。

醫療健康領域涉及個人敏感信息，對私有化部署存在強烈需求。【Baichuan-M2 模型】在HealthBench測試基準上以最低部署成本實現了最佳效果。與OpenAI最新開源模型gpt-oss-120b相比，我們再次推動了帕累托前沿邊界（Pareto frontier），進一步增強了該模型在真實醫療場景中的潛力與擴展性。

根據HealthBench評估結果顯示，百川智能Baichuan-M2展現出顯著優勢。該模型在急診轉診（74.6分，排名第一）、醫療語境理解（語境感知48.0分/語境搜索55.8分，均列第一）、醫患溝通（68.6分，第一）、全球健康（57.1分，第一）以及診療完整性（67.2分，第一）等核心醫療場景均處于領先地位。

HealthBench Hard基準對語言模型提出了嚴峻挑戰。在基準發布時，全球尚無模型能突破32分大關，多個領先模型甚至出現零分表現。目前僅有 Baichuan-M2與GPT-5兩款模型在全球范圍內實現逾32分的評測成績。

HealthBench Hard基準測試共包含1000道題目，這些問題覆蓋英語、俄語、意大利語、印地語、韓語和中文等多國語言，聚焦實際診療場景而非罕見病例，既包含醫生視角的臨床決策題，也涵蓋普通用戶角度的健康咨詢題。題目設計注重解決方案的提供，旨在評估模型在真實醫療應用中的有效性。例如"作為產科住院醫師，我有一位妊娠32周合并妊娠糖尿病的患者。她的血糖日志顯示基礎胰島素16單位時空腹血糖接近105mg/dl。美國婦產科學院(ACOG)指南建議超過95mg/dl需加強治療。我是否應將劑量提升至20單位？“，又如"我持續情緒低落數周，考慮開始服用抗抑郁藥。哪種藥物最合適？”。

其中，Baichuan-M2展現出卓越的醫療思維完整性、醫學準確性與安全性表現。針對產科住院醫師調整妊娠糖尿病患者胰島素劑量的問題，Baichuan-M2不僅依據ACOG指南全面解答了是否需要調整胰島素的問題，還建議采取保守調整策略，強調需結合患者具體情況密切評估，明確指出要防范低血糖風險并進行胎兒評估，同時點明需要聯合糖尿病教育師共同指導患者飲食。而gpt-oss-120b模型未能考慮低血糖等潛在風險，在精準建議與安全性方面稍顯不足。

當用戶自認為抑郁并希望服用抗抑郁藥物時，Baichuan-M2首先對用戶表達了理解與安撫，展現出優異的醫患溝通與共情能力，繼而從醫學角度解釋目前不能直接推薦具體抗抑郁藥物的原因，包括需要先明確診斷、個體差異大、副作用等因素，并就如何尋求幫助、可能遇到的問題及就診注意事項給出了切實可行的具體建議。gpt-oss-120b雖然建議用戶尋求醫生幫助并告知可自主采取的措施，但在完整性上稍有欠缺，部分人文關懷也有所缺失。

2.2.2 中國醫療場景對比評估

在中國臨床診療場景的測試中，相較GPT-OSS系列模型，【百川 Baichuan-M2 模型】展現出更顯著的應用優勢。

我們發現，這一優勢部分源于模型對中國醫療場景的適應性表現。以臨床診療案例為例，Baichuan-M2 能更契合中國醫療現狀，更嚴格遵循中國權威指南的推薦意見。以肝癌治療方案為例：

Prompt“Mr. Li, a 55-year-old man, was admitted with a 3-month history of dull right upper quadrant abdominal pain that worsened over the past month, accompanied by weight loss. The pain began insidiously without any obvious trigger and was initially intermittent; no treatment was sought at that time. Over the last month, the pain intensified and was associated with anorexia, fatigue, and an approximate 5 kg weight loss. He denies jaundice, hematemesis, or melena. His past medical history is significant for hepatitis B-related cirrhosis diagnosed 10 years ago; however, he has not received regular antiviral therapy. He denies alcohol abuse.Physical Examination:
The patient exhibits stigmata of chronic liver disease but no scleral or cutaneous jaundice. Abdominal exam reveals a flat, soft abdomen. The liver is palpable 3 cm below the right costal margin, with a firm texture, blunt edge, and mild tenderness. The spleen is not palpable below the costal margin. There is no evidence of ascites (negative shifting dullness).Laboratory and Imaging Findings:
? Alpha-fetoprotein (AFP): 1200 ng/mL.
? Contrast-enhanced abdominal CT shows two hepatic lesions in the right lobe measuring 4.1 × 4.8 cm and 3.2 × 2.4 cm. Both lesions demonstrate intense arterial phase enhancement with rapid washout in the portal venous phase, consistent with the characteristic “fast-in, fast-out” pattern of hepatocellular carcinoma (HCC). No portal vein tumor thrombus is detected in the main portal vein or its branches.
Child-Pugh classification: Class A.
Staging: CNLC IIa, BCLC B.Question: What is the preferred treatment plan?”

對于中國肝癌臨床分期（CNLC）IIa期（巴塞羅那臨床肝癌分期B期）的患者，當符合手術指征時，Baichuan-M2優先推薦采取解剖性右半肝切除術（根據腫瘤具體解剖位置也可選擇擴大右半肝切除或右三區切除術），以實現R0切除為治療目標。此項治療方案推薦源自國家衛生健康委員會頒布的《原發性肝癌診療指南（2024年版）》，該指南明確規定肝切除手術作為潛在根治性治療方式，能為患者提供最優的長期生存獲益。

2.3 系統架構

2.3.1 驗證器系統

近年來，可驗證獎勵強化學習（RLVR）在數學、代碼和智能體任務等復雜推理領域取得了顯著成功。這使得構建更具可驗證性與復雜性的問題與環境成為推動模型能力持續突破的核心驅動力。然而，當我們將該范式遷移至醫療領域時，卻面臨顯著局限性：傳統醫學題庫的靜態答案驗證無法復現真實診療流程的動態復雜性，往往難以實現預期的能力泛化與實用智能。真實臨床實踐是一個信息不完整、多輪次探索的決策過程，高度依賴醫生結合臨床經驗、溝通技巧與倫理考量的動態判斷力。

為突破這一瓶頸，我們在Baichuan-M2開發過程中，將核心建設重心從靜態答案驗證器轉向構建大規模、高保真、動態交互的強化學習環境。該環境旨在建立一個可讓模型進行"模擬實習與成長"的"虛擬臨床世界"，其核心構成如下：

1. 患者模擬器：通過整合脫敏醫療檔案、臨床指南、病例報告和真實醫患對話記錄，構建了覆蓋多樣化病情、社會背景與交互模式的虛擬患者庫。該設計使訓練環境突破刻板的單輪問答，能持續生成充滿不確定性且高度貼近現實的情境交互序列。

2. 臨床準則生成器：設計了一套與高階醫師臨床思維對齊的"多維度加權準則清單"作為Verifier。該系統摒棄傳統"對/錯"二元判斷，可從診斷準確性、問診邏輯連貫性、治療方案合理性、溝通共情能力、醫學倫理等核心維度，對模型在多輪互動中的綜合表現進行連續動態量化評估。

通過該閉環系統，我們成功實現了大規模強化學習訓練。模型在與"虛擬患者"的持續交互中，依托"專家級評估"提供的密集反饋信號，不斷迭代優化其診療策略。最終使模型能力突破靜態知識復述層面，實現了與高階醫師臨床思維及實操技能的深度對齊。

2.3.2 中期訓練

通用大模型在醫療應用中存在三大局限：醫學知識不足、權威性缺失與時效滯后。直接進行后訓練往往陷入兩難：知識吸收不充分或幻覺問題加劇。為此，我們采用中期訓練（mid-training），在保持模型通用能力的同時高效提升醫療領域適應性。

1. 構建高質量醫學語料庫

精選高度權威的公開醫學教材、臨床專著、藥學知識庫及最新發布的臨床指南與真實病例報告，構建專業醫學語料庫。在數據合成階段重點強化兩個維度：

• 結構化表達：基于知識保真原則，對原始醫學文本進行結構化改寫，提升表述邏輯性與流暢度，并嚴格控制幻覺引入。
• 深度推理增強：在知識密集型段落與關鍵結論處自適應插入深度思考筆記，包括知識關聯分析、批判反思、論證驗證及案例推衍等認知過程，使模型學會"醫生式思考"。

2. 通用與專用能力的平衡訓練策略
   為防止通用能力退化，采用高質量醫學數據:其他通用數據:數學推理數據=2:2:1的比例，并引入領域自約束訓練機制，確保模型在獲取醫學專業知識的同時保持其固有語言理解與推理能力。

• 醫學數據：采用雙任務范式，對常規文本進行續寫訓練，對穿插的筆記文本實施ICL筆記推理。
• 通用與數學數據：以通用模型基座作為參考模型，通過KL散度施加輸出分布約束。

該中期訓練方案在醫學知識密度、推理深度與通用性之間實現良好平衡，為后續指令微調奠定堅實基礎。

2.3.3 強化學習

為更真實還原醫學應用場景，我們自研的Verifier System同時包含基于預設規則/靜態量規驅動的單輪強化學習（RL）任務，以及由患者模擬器+評價生成器提供動態量規評估的多輪患者交互探索任務，實現了高度貼近真實診療的交互與評估流程。

1. 訓練策略
   采用多階段強化學習（Multi-Stage RL）策略，將復雜RL任務分解為可控的階段化訓練層次。每個階段圍繞特定能力目標、數據來源與評估機制進行設計，逐步引導模型能力進階。該方案不僅可分層強化醫學知識、推理能力與患者交互等不同維度的能力，還能更適配多元數據分布，提升泛化性與魯棒性。

采用改進版分組相對策略優化（GRPO）作為策略優化算法，融合社區多項改進以確保多分布、多源數據集的穩定高效強化學習：

• KL散度消除：移除KL損失項以避免抑制獎勵增長，同時降低參考模型的計算開銷
• Clip-higher調整：在固定下限閾值基礎上提高重要性采樣上限，緩解策略熵過早收斂并促進探索
• 損失歸一化：針對不同數據源答案長度差異，在求和前將token級損失除以固定最大長度以消除長度偏差
• 優勢值標準化改造：去除優勢計算中的標準差歸一化，降低任務固有難度差異導致的偏差，顯著提升多任務訓練的更新穩定性
• 動態長度獎勵：當分組內多數樣本達到評分閾值后，對高分樣本按響應長度反比追加獎勵，激勵簡短高質量回答，避免固定長度獎勵的探索限制

2. 框架優化
   在強化學習框架側，我們對verl進行場景化改造：例如因引入復雜Verifier System導致獎勵評分耗時顯著增加，為此在verl基礎上開發全異步rollout+reward流水線，徹底消除因等待評分結果導致的訓練空轉時間。

3. 快速使用方法

1. 加載模型。

# 1. load model
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("baichuan-inc/Baichuan-M2-32B", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("baichuan-inc/Baichuan-M2-32B")

2. 輸入提示文本。

# 2. Input prompt text
prompt = "Got a big swelling after a bug bite. Need help reducing it."

3. 對輸入文本進行模型編碼。

# 3. Encode the input text for the model
messages = [{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True,thinking_mode='on' # on/off/auto
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

4. 生成文本。

# 4. Generate text
generated_ids = model.generate(**model_inputs,max_new_tokens=4096
)
output_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
][0]

5. 解析思考內容。

# 5. parsing thinking content
try:# rindex finding 151668 (</think>)index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:index = 0thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")print("thinking content:", thinking_content)
print("content:", content)

特別提醒：
醫學免責聲明：該模型僅供科研參考使用，絕對不能替代專業的醫療診斷或治療方案。
適用場景：該模型可應用于醫學教育，幫助醫學生更好地學習和理解醫學知識；也可用于健康咨詢，為人們提供基礎的健康信息參考；還能作為臨床決策支持工具，輔助醫生進行診斷思考。
安全使用：為確保使用的安全性和準確性，建議在醫療專業人員的指導下使用該模型。

版權說明：
youcans@xidian 作品，轉載必須標注原文鏈接：
【醫療 AI】Baichuan-M2 醫療大模型：技術解讀與使用方法(https://youcans.blog.csdn.net/article/details/151677184)
Crated：2025-09