从会说话到能决策：百川M3重塑医疗大模型标准

1月13日，百川智能发布并开源新一代医疗增强大模型Baichuan-M3。在OpenAI主导的权威医疗评测集HealthBench及其困难子集上，该模型取得了全球最高综合成绩，并显著超越了GPT-5.2；在医疗幻觉率的纯模型评估中也达到了当前最低水平；在聚焦全流程临床能力的SCAN-bench评测中，M3在病史采集、辅助检查和诊断等多个核心指标上均居首位，展现出综合领先的医疗推理和问诊能力。

此外，M3还首次具备了原生的“端到端”严肃问诊能力。它能像医生一样主动追问、逐层逼近，把关键病史和风险信号问出来，进而在完整的信息上进行深度医学推理。评测显示，其问诊能力显著高于真人医生的平均水平。

但这场发布的意义，并不只是多了一次技术榜单上的超越。更重要的是，Baichuan-M3把医疗大模型推到了一个新的位置：它不再停留在对话和表达的层面，而是开始真正具备支撑完整诊疗流程的能力，能够参与到医疗决策本身。也正因为如此，它的意义远超其他模型，大模型的技术进步，终于能够完整地转化为医疗健康领域可规模化落地的现实价值。

“帮助患者产生辅助决策的价值就是有意义的。”百川智能创始人&CEO王小川在发布会上分享。

在医疗这个对安全性和责任要求最高的场景里，这样的变化并不会偶然发生。它意味着有人选择了一条更慢、更难、也更不讨巧的路径，把模型能力从展示智能一步步推向承载决策。

百川为何能走到这一步？为什么这次突破出现在医疗，而不是代码、搜索或智能体这些更热门的赛道？又为什么是在此时此刻，这些长期积累的技术选择和工程路线，开始同时收敛到一个清晰的结果上？

医疗大模型的评价标准正在被重写

几乎从人工智能诞生之初，人们就把医疗视为最有可能、也最值得被AI改造的行业之一。

在HealthBench出现之前，与医疗行业相关的AI能力几乎是不可比较的。各家模型都可以宣称自己懂医学、能做医疗问答，但没有统一的评价坐标系，也谈不上横向对比。

今年5月，OpenAI推出了HealthBench，这套标准汇集了大量基于真实临床场景设计的多轮对话样本，让医疗能力可以被量化评估，有了公共标准。因此在相当长一段时间里，它几乎等同于医疗大模型的最高标准，也成为各家模型展示医疗能力的共同坐标系。

正因如此，在相当长一段时间里，谁在HealthBench上得分更高，谁就更懂医疗，几乎成了默认共识。这并不是因为HealthBench覆盖了医疗的全部复杂性，而是因为在它之前，行业连标准本身都没有。

从某一刻起，行业趋势发生了变化。去年年中至今，当国内的阿福、小荷医生等医疗助手纷纷上线，OpenAI推出ChatGPT Health，Anthropic推出Claude for Healthcare，医疗不再只是一个用于测试模型聪明程度的benchmark，而成为大模型厂商必须正面投入的产品方向；模型也要直接面对回答能否被当成决策依据这件事。

这不再只是排名问题。

也正是在这个阶段，HealthBench的边界开始显现出来。它仍然重要，但已经不再充分。它依然能够证明模型是否具备医学知识和专业表达能力，却无法回答一个更核心的问题：模型是否具备进入真实医疗决策流程的资格。

临床决策从来不是从一个标准化问题开始，而是从高度不完整、甚至混乱的信息开始。患者往往说不清重点，症状之间相互叠加，不同风险混杂在一起，真正的难点不在于“答案怎么给”，而在于“问题怎么问”。医生的专业能力，很大一部分体现在对信息优先级的判断上：哪些是必须马上排除的高危信号，哪些可以暂缓；哪些信息一旦缺失就无法下结论，哪些只是补充参考。

也正是在这一点上，百川给出了与主流路线明显不同的选择。一方面，它并没有放弃在HealthBench体系里的竞争，仍然持续追求在现有权威标准下做到最好；另一方面，它同时推出了SCAN-bench，试图补上对完整临床流程本身进行建模和评测，这个此前长期被忽视的维度。

围绕SCAN原则，百川借鉴医学教育里长期使用的OSCE方法，联合150多位一线医生，搭建了SCAN-bench评测体系，该体系以真实临床经验作为“标准答案”，将诊疗过程拆解为病史采集、辅助检查、精准诊断三大阶段，通过动态、多轮的方式进行考核，完整模拟医生从接诊到确诊的全过程。相比于HealthBench，SCAN-bench是更加全流程端到端的动态评测新范式。

也就是说，当行业还在比谁更会“答”的时候，百川已经把关注点转向了另一个更底层的问题：模型能不能像医生一样“问”？

这正是M3这次发布真正特殊的地方：在能力结构上形成了一个闭环，既能推理，又不乱编，还知道如何把该问的信息问出来。会推理解决的是“能不能判断”，不乱编解决的是“能不能信”，会问诊解决的是“有没有资格进入决策流程”。

当这三者同时成立时，医疗大模型才算从会说话的智能系统，走向可被托付部分医疗决策责任的系统。

从结果上看，M3依然是一款多个第一的模型。它在HealthBench上登顶，意味着在OpenAI亲自定义的医疗能力标准体系下完成了全面超越；而在更强调复杂临床决策能力的 HealthBench Hard子集中，M3以44.4分夺冠，首次系统性超过GPT-5.2，这一成绩的说服力更强，因为它验证的已不只是回答是否专业，而是模型在高度不确定、高推理难度场景中的稳定性与可靠性。

同时，M3在无工具条件下实现了全球最低幻觉率，意味着安全性被内化为模型自身能力，而不是依赖外部检索、规则约束或工程补丁来弥补。更关键的是，在以完整临床流程为目标的SCAN-bench评测中，M3同样取得第一，尤其在最核心的问诊环节显著超过GPT系列模型和人类医生基线水平，这表明模型真正补齐了临床信息获取这一长期被忽视、却决定医疗决策上限的核心能力。

AI医疗真正的分水岭

如果说过去两年行业更多是在让模型“像”医生一样说话，那M3这次给出的判断是：光有表达还不够，必须具备医生的思维结构。

大量“AI医生”仍停留在角色扮演层面，对话流畅、语气专业，但提问更多是在让对话显得完整，而不是为临床决策收集关键信息。模型往往顺着患者描述往下聊，却很少像真实医生那样先做风险分层、排查红旗征象、围绕诊疗路径反向设计问题。结果是，对话看起来专业，却不足以支撑严肃判断，最终只能落在“建议尽快就医”这样的安全性结论上。

这正是“会说话”和“会做临床决策”之间的本质差别，也是百川提出“严肃问诊”“SCAN原则”的背景。王小川在发布会上分享“在医疗行业，患者往往是没法完整表达自己的，只是知道浅显的症状，所以就要去问医生，通过问诊把过去的病情发展问清楚。有了足够的数据以后，才能做好后面的检测、诊断和结论。今天的大模型并不具有这样的能力。”

百川想做的是把临床医生长期依赖经验完成的工作方式，拆解成可以被模型学习、被评测、被强化学习直接优化的工程目标。

具体到工程上，百川并没有选择堆砌功能，而是集中解决三个最底层的问题。

首先是全动态强化学习系统。

在M2阶段，强化学习更多依赖相对静态的验证规则，模型能力提升到一定程度后，验证体系本身就成了上限。而在M3中，Verifier被设计成可以随模型能力共同进化的系统：模型暴露出新的错误模式，验证器就生成新的约束；旧的、低价值的规则被淘汰，高价值规则被持续强化。规则与模型共同抬高上限，解决了能力后期容易封顶的问题。

第二是SPAR算法。

医疗问诊天然是一条极长的决策链路，如果只看最终诊断对不对，模型根本无法知道是哪里出了问题：是病史没问清，还是检查建议错了，还是推理路径偏了。SPAR通过分步惩罚和相对基准机制，把长链条决策拆解为可追责的局部过程，让模型在有限轮次内就能学会把关键问题问准、问够，而不是靠拉长对话轮数。

第三是Fact-aware RL。在医疗场景中，推理能力越强，模型越容易“肯定自己”；说得越肯定，一旦事实基础不牢，就越危险。传统做法往往是靠外部检索或规则系统纠偏，而M3把低幻觉直接做成强化学习的优化目标，让事实一致性成为模型自身能力的一部分。同时，通过动态权重调节，避免模型为了少犯错而退化成少说少错的保守状态，使强推理与高可靠能够同时成立。

这三套设计背后，其实指向的是同一个目标：能力和安全，强推理和高可靠，不做取舍，百川都要，并且要让二者变成同一套工程体系里的协同指标。

这样一来，AI医疗才真正跨过了那条分水岭。

从健康助手，到决策支持

当模型能力完成会推理、不乱编、会问诊这一完整闭环时，百川的重心也必然开始发生变化：从模型本身的展示，转向能力在真实医疗场景中的承载。

这也是为什么，从外部观察会发现，百小应近期的产品节奏明显加快，多种功能陆续补齐，逐步搭建一个可以承接医疗工作流的系统骨架。模型需要的不再是展示窗口，而是一个可以沉淀信息、支持长期使用、对接真实决策链条的载体。

这样一来，百川所坚持的“严肃医疗”与行业中大量“泛健康”产品之间的差异，开始变得格外清晰。

以阿福、小荷医生为代表的产品，更接近健康咨询、医学科普、导诊建议和情绪陪伴，它们解决的是信息不对称和患者在就医前焦虑的问题。

而百川试图进入的，是完全不同的一段链路：医生可借助它推演问诊与诊疗思路，患者及家属也可通过该应用更系统地理解诊断、治疗、检查与预后背后的医学逻辑。

这是一条高风险、高责任、高价值密度的决策支持路径：在这里，模型不再只是提供参考信息或情绪安慰，它给出的每一次判断，都可能影响患者的下一步选择；它提出的每一个问题，都在决定关键信息是否被完整收集；它形成的每一个结论，都必须具备可复核性，能够真正被纳入医疗决策流程之中。

根本区别是，当行业里大多数产品仍然停留在帮用户搜集健康信息这个层面时，百川选择的是一条更难、更慢、但天花板更高的路。

回看百川押注医疗的时间线，其选择是一种提前布局的判断。

在沟通会上，王小川概括了他对医疗行业几个核心痛点的判断：优质医生资源长期紧缺，医疗服务在不同地区与人群之间高度不均衡；在美国有家庭医生体系承接基层诊疗，而在中国，患者更集中地涌向三甲医院，优质医疗资源被进一步挤压。正是基于对这些现实矛盾的长期观察，百川从一开始就把目标放在解决医疗本身的问题上。

2023年，在大模型产业最火热的阶段，百川并没有选择优先切入代码、搜索、内容创作这些更容易验证商业化价值的赛道，而是明确把医疗作为最核心方向。这在当时并不讨巧：医疗数据敏感、场景复杂、责任边界模糊、产品落地周期长，很难形成快速反馈。“当时也受到行业很多人的质疑。”王小川告诉我们。

2026年开年，OpenAI发布ChatGPT Health，Anthropic也正式推出Claude for Healthcare，国际头部模型厂商开始集体进入医疗领域，全球范围内所有公司都意识到医疗才是大模型必争之地。

在这场竞速中，作为国内唯一专注医疗的大模型企业，百川持续突破低幻觉率、端到端问诊和复杂临床推理等核心能力，在医疗大模型底座上完成了代际领先，已从“跟随者”跃迁为行业“引领者”与新范式的“定义者”，正以硬核实力扛起中国AI医疗发展的旗帜。