發布 ChatGPT 健康 6 天后，OpenAI 在自家醫療健康 Benchmark 上被反超

百川智能表示今年上半年，將陸續發布兩款 to C 的醫療產品。

作者｜Li Yuan

編輯｜鄭玄

你有沒有向 AI 助手問過你的健康問題？

如果你和我一樣是一個 AI 的深度用戶，大概率你也試過。

OpenAI 自己給出來的數據是，健康已成為 ChatGPT 最常見的使用場景之一，全球每周有超過 2.3 億人提出與健康和保健相關的問題。

正因如此，跨入 2026 年，健康領域也大有成為 AI 領域必爭之地的跡象了。

1 月 7 日，OpenAI 發布 ChatGPT 健康，允許用戶連接電子醫療記錄和各類健康應用，讓用戶能夠獲得更針對性的醫療回復；而 1 月 12 日，Anthropic 也立馬推出了 Claude for Healthcare，并強調了新模型的醫學場景能力。

不過有趣的是，這次，中國公司沒有落下，甚至大有領先之意。

1 月 13 日，百川智能宣布發布百川 M3 模型，在 OpenAI 發布的醫療健康領域評估測試集 HealthBench，反超 OpenAI 的 GPT-5.2 High，獲得 SOTA。

在宣布 All-in 醫療受到諸多質疑后，百川智能似乎終于證明了自己。極客公園此次也專程與王小川聊了聊百川智能如何看待此次 M3 模型的能力，以及 AI 醫療的終局。

01

首次在健康領域測試集超越 OpenAI

此次發布的 M3 模型，最亮眼的成績之一，在于模型第一次在 OpenAI 發布的醫療健康領域評估測試集 HealthBench，超越 OpenAI 的 GPT-5.2 High，獲得 SOTA。

SOTA On Healthbench、Healthbench Hard and Hallucination Evaluation

Healthbench 是 OpenAI 在 2025 年 5 月份發布的醫療健康領域評估測試集，由 262 位來自 60 個國家的醫生共同構建，收錄了 5000 組高度逼真的多輪醫療對話，是目前全球最權威、也最貼近真實臨床場景的醫療評測集之一。

發布后，OpenAI 的模型一直霸榜。

而此次，百川智能的新一代開源醫療大模型 Baichuan-M3，則獲得了 65.1 分的綜合成績位列全球第一，甚至在專門考驗復雜決策能力的 HealthBench Hard 上，M3 也成功奪冠，刷新了最高分。

百川還同步公布了一個幻覺率的測試結果，在幻覺率，M3 模型達到了 3.5%，屬于全球最低。

值得注意的是，這個幻覺率是不依賴外部檢索工具，純模型設置下的醫療幻覺率。

百川智能表示，能夠達到這兩點，關鍵的模型提升在于為醫療引入了合適于醫療的強化學習算法。

百川在 M3 模型上首次使用了 Fact Aware RL（事實感知強化學習）技術，達到了既讓模型不說套話，也不讓模型亂說話的效果。

這在醫療領域實際上是非常關鍵的。

在沒有優化的模型中提問醫療問題，最容易出現的問題就是兩類，一是模型直接胡編亂造你的癥狀，臆測一個疾病出來；而另一個則是語義模糊，最終提示你還是得去看醫生，而這無論對于醫生還是患者，都沒有太大幫助。

這正是因為很多模型以純幻覺率作為優化目標，此時模型可能通過堆砌簡單正確的事實來稀釋整體幻覺率。而百川引入語義聚類與重要性加權機制——聚類消除冗余表述的干擾，加權確保核心醫學論斷獲得更高權重。

同時，如果單純引入高權重的幻覺懲罰，極易迫使模型陷入「少說少錯」的保守策略，因此 Fact Aware RL 的算法中還設計了動態權重調節機制，根據模型當前的能力水平自適應地平衡這兩個目標——在能力構建階段，側重醫療知識的學習與表達（高 Task Weight）；在能力成熟后，逐步收緊事實性約束（提升 Hallucination Weight）。

當可以聯網搜索時，百川還加入了基于多輪搜索的在線校驗模塊，同時引入了高效的緩存系統，進行海量醫療知識的對齊。

02

問診水平超過人類醫生，

步入可用階段

不過，在 Healthbench 上超過 OpenAI 并不是此次唯一的亮點。

此次更有趣的一個點，百川自己創造性地構建了一個 SCAN-benche 評測集。比起刷榜 OpenAI 的評測集，百川自己構建的評測集，或許更能說明百川智能在醫療上想要優化的方向。

此次百川構建的測評集，關鍵點在于優化「端到端的問診能力」。這源于百川自己做的實驗洞察：問診準確度每增加 2%，診療結果準確度就會增加 1%。

也就是說相比于 OpenAI 的 HealthBench，仍然主要關注「AI 會不會回答問題」，百川的 SCAN-benche 希望評測出的是：AI 是否能在一問一答中，獲取有效信息，同時給出正確的診療結果和醫療意見。

通常情況下，我們向 AI 助手提問，如果只是提到「你是一位經驗豐富的醫生」，通常并不會得到太好的模型效果。因為真正的醫生，問診的流程是十分規范的——百川將其歸納為四個象限的 SCAN 原則：Safety Stratification（安全分層）、Clarity Matters（信息澄清）、Association & Inquiry（關聯追問）與 Normative Protocol（規范化輸出）。

圍繞 SCAN 原則，百川借鑒醫學教育里長期使用的 OSCE 方法，聯合 150 多位一線醫生，搭建了 SCAN-bench 評測體系，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、多輪的方式進行考核，完整模擬醫生從接診到確診的全過程，也以在這幾個流程中，都獲得更好的結果，來優化模型。

此次百川也公布了 M3 模型在 SCAN-benche 上的測評結果。

結果十分有趣。百川此次不僅和模型進行了對比，還找來了真人醫生進行對比。而在四個象限中，真人醫生實際上都已經落后于模型能夠達到的水平了。

極客公園特意對此向百川團隊進行了提問，得到的回答是：此次的測評，全都是真人的專科醫生在專科案例上與模型進行的比較。模型能夠獲勝，其一，在于模型更耐心，但更重要的是，模型擁有更好的跨學科的知識的掌握能力。

比如在一個案例中，提到 10 歲孩子反復發熱，而發熱是一個非常綜合的醫療現象，如果只詢問咳嗽等肺部情況，就容易忽略關節和泌尿系統中的嚴重問題，誤判為普通感染。

人類醫生通常只對分科的病情比較擅長，這也是復雜癥狀常常需要專家會診，或者疑難病癥專家也常常要去翻書找資料的原因。

而沒有經過專門訓練，只是扮演醫生的普通模型，往往也很難回答好這類問題。

03

下一步：逐漸開始做 C 端產品，

推進更嚴肅的醫療

對于百川智能而言，超過人類醫生這個節點，意義十分重大：這意味著 AI 開始邁過可用性的門檻，開始能夠被部署到使用場景中了。

從 1 月 13 日起，用戶已經可以開始在百小應的網站和 app 中，體驗到 M3 模型提供的回答了。

目前的網站設計十分有趣，雖然都是使用 M3 模型進行回答，但是區分醫生版和用戶版。在醫生版，回答更加簡潔，引用更多參考文獻，也更「不說人話」。而在普通病人版，模型幾乎不會一次性給出回答，都會進行更多追問，進行更明確的診斷。

百川智能提到，模型在后臺的思考很有意思。「我們經常能看到這個模型在思維鏈中提到，『這個患者沒有理我的這個問題，但是這個問題我必須要問。』甚至我們有看到過那種極端的，說我已經問了患者 20 輪了，這個已經超出了設定的最大輪數，但是這個問題我還是要問。這是因為在訓練的過程中模型把話說得討巧，是得不到獎勵的，它必須真的得到了足夠多的關鍵的信息，得到正確的診斷，才能得到獎勵。這個是我們跟其他人訓練模型的一個明顯的不同?！?/p>

近來很多 AI 公司都開始介入醫療領域。這也是百川智能認為自己的最大不同之處——要做更嚴肅的醫療。

「這意味著百川在選擇場景時，并不是看哪個場景最好做就去做哪個。相反，百川堅持要不斷上推技術能力，挑戰更難的問題?！雇跣〈ㄖv到。

一個典型的例子是未來百川會優先做腫瘤?？频慕鉀Q場景，而心理療愈排在百川的優先級的比較靠后的位置。

在通俗觀點中，普遍認為 AI 提供心理療愈會更簡單，也是一個更容易落地的場景。百川的判斷邏輯則不同。他們認為腫瘤領域有更嚴格的科學依據。在這里，AI 更有可能做出嚴肅的醫療效果，從而達到或者超越人類醫生的水平。相比之下，心理學領域缺乏這種確定性的科學錨點。

再比如有的公司選擇給醫生做分身，王小川則認為這種方向并不是百川想要做的方向。醫生的分身本身不能完整復用醫生的水平，更不能超越醫生的水平。這樣的 AI 最終只能淪為幌子和獲客工具，并不能真正推動嚴肅醫療。

這種對嚴肅性的堅持，深刻影響了百川的很多商業選擇。

這直接關系到王小川對醫療 AI 下個階段根本問題的思考。他認為，當前這個階段最重要的任務是在增強 AI 能力的基礎上，逐漸提供更多的醫療供給。

中國多年來一直嘗試推行分級診療和全科醫生制度。初衷是希望老百姓先在基層看病，解決大醫院掛號難、排隊長、擁堵不堪的現狀。

這個制度之所以推行困難，本質上是因為醫療資源的供給不足?；鶎俞t療機構缺乏高水平的醫生。大家即便只是感冒也愿意去三甲醫院排隊，是因為對基層的診療水平不放心。

這正是醫療 AI 發揮作用的關鍵點。大模型能夠把頂尖的醫學知識實現規?；职l。它填補了基層的供給缺口，讓每一個社區、每一個家庭都能擁有像三甲醫院專家一樣的診療能力。

而長遠來開，這還能有更廣泛的影響，可能讓醫療的讓決策權從醫生手中逐漸轉移到用戶身上。在傳統的醫療場景中，患者是利益的受益方，但往往沒有決策權。決策權集中在醫生手中。這種權力的不對稱往往會帶來溝通成本和治療中的痛苦。

而百川希望通過 AI，讓患者能夠更容易地獲得優質醫療資源的供給。「很多人覺得醫療太復雜了，患者是永遠理解不了的。但我們想的在美國的司法體系里面有個叫陪審團制度。法律也是非常專業的一個事，陪審團的普通人不懂，那就要求在法官、律師和檢察官能夠進行帶領，做充分的辯論，把話說清楚，說到一個普通人能判斷有罪沒罪的程度，讓普通人能依據邏輯正常判斷即可?！雇跣〈ㄖv到。

這也是百川智能不愿意只做簡單場景，而是希望不斷向高難度的嚴肅診療推進的原因之一。

當被問到解決高難度問題是否在商業上最有回報時，王小川給出了深刻的回答。

他認為，解決感冒發燒這類小問題，很難在用戶心中建立起足夠的信任。醫療是一個高度依賴信任的行業。只有當 AI 能夠解決重疾等高難度難題時，才能真正建立起信任的基礎。

從商業邏輯上看，患者面對嚴肅的健康問題時，也更有意愿為高質量的 AI 服務付費。這種信任不僅是商業回報的前提，更是 AI 醫療能夠規?；瘧玫暮诵?。

而從更根本的意義上講，醫療對于百川智能和王小川本人而言，仍然意味著是一條接近通用人工智能（AGI）的路徑。

王小川認為，AI 目前在文、理、工、藝等領域都已找到了切實的解法，醫療則是一個極為獨特的領域。人類對醫學的探索尚未窮盡，AI 在這一領域也正處于摸索階段。

百川的路線圖非常清晰。首先通過 AI 提升診病效率，解決當前醫療供給短缺的問題。在此基礎上，百川致力于建立與患者之間的深度信任。當患者愿意使用 AI 工具，長期進行醫療咨詢，AI 就能在長期的陪伴中積累真實且高質量的醫療數據。

這些數據的終極目標是構建生命的數學模型。這是一條人類醫生至今尚未完全走通的道路，未來很有可能由 AI 率先實現。如果能完成對生命本質的建模，這將成為推動通用人工智能邁向更高階進步的關鍵一步。

*頭圖來源：百川智能官網

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你如何看待 AI 醫療？

蘋果首款折疊 iPhone Fold 手機殼金屬模具曝光。

點贊關注極客公園視頻號，