反超OpenAI，百川开源大模型医疗能力登顶世界第一
今天，我们正式发布开源医疗增强大模型Baichuan-M2。
OpenAI于8月6日开源两款大模型，主打部署成本超低和医疗能力最强；仅仅5天后，我们便以更小尺寸模型实现医疗能力反超，在所有开源模型中，登顶世界第一。
今年1月，我们在行业内首发“AI患者模拟器”，用真实数据构造上万个不同年龄性别症状的AI患者，模拟了数百万次诊疗过程。基于该范式开源的Baichuan-M1，为行业首个医疗增强模型。
7个月后，我们升级患者模拟器并引入模型端到端强化学习，训练的Baichuan-M2在HealthBench等评测上取得更大突破。
碾压全球开源通用大模型
更低成本爆发更大性能
OpenAI自2024年下半年起将医疗作为模型能力提升的首要方向，投入大量人力算力精力。
今年5月，OpenAI发布权威且贴近真实临床场景的HealthBench医疗健康评测集，研究团队招募了262位医生，来自60个国家、涉及26个医学专科、精通49种语言，他们生产了48562条评价标准，其中86%是实例特定标准（针对单个对话由医生撰写），14%是共识标准。
这个包含了5000个逼真多轮医疗对话的评测集，代表了OpenAI在医疗领域重点突破的决心。
开源gpt-oss系列模型过程中，OpenAI首次将医疗作为第一重要的评测标准；发布GPT-5时，请到现场的唯一使用者是抗癌患者，医疗是大模型最有前景最具价值的方向，正成为头部企业的共识。
Baichuan-M2在HealthBench上得到60.1的高分，以32B的较小尺寸不仅反超OpenAI 最新开源模型gpt-oss120b（得分57.6），更是力压Qwen3-235B、Deepseek R1、Kimi K2等当前世界所有开源大模型。
针对医疗领域用户隐私考虑下的模型私有化部署需求，我们对Baichuan-M2进行了极致轻量化，量化后的模型精度接近无损，可以在RTX4090上单卡部署，相比DeepSeek-R1 H20双节点部署的方式，成本降低了57倍。针对国产主流芯片的开发和适配，让多数医疗机构利用现有硬件条件既可实现快速部署。
此外，面向急诊、门诊等对于交互速度要求更高的场景，基于Eagle-3架构优化的Baichuan-M2-Spec版本在单用户场景下实现了74.9%的token速度跃升。
医疗能力极大增强后，模型通用能力是否会下降？头部大模型企业主要用数学和代码数据进行强化学习，我们是首个将医疗数据用作强化学习的中国团队，同时也验证了高质量医疗数据对于模型通用能力的增长具有较高价值，M2模型在数学、指令遵循、写作等通用核心性能上不降反升，因此这个模型也可应用于医疗以外的其他领域。
在大语言模型的发展中，“知识”与“能力”是两条相辅相成但又相对独立的主线，模型在医学考试（如 USMLE）上的表现被视为衡量医疗水平的重要指标，但随着题库饱和，这类选择题或短回复的评测难以反映模型的临床实用性，医疗 AI 并不等于“刷题机器”，分数再高也不意味着在真实医疗场景中好用。
OpenAI从HealthBench整体数据中选出1000个特别困难的复杂问题作为Hard子集，用于验证模型多维度、全景化解决疑难复杂医学问题的能力。这个评测方法标准更高、尺度更严，更能全面反映模型面临“千奇百怪”复杂条件时的真实能力。
今年5月这个评测集发布时，世界上所有顶尖模型得分都没超过32分，许多前沿模型得分甚至为0。
Arora R K, Wei J, Hicks R S, et al. Healthbench: Evaluating large language models towards improved human health[J]. arXiv preprint arXiv:2505.08775, 2025.
GPT-5发布时，OpenAI特别强调，其是HealthBench Hard评测全球唯一超过32分的模型。
Baichuan-M2以34.7分成为全球第二款超过32分的模型，力压世界所有其他顶尖闭源大模型。
尽管真实医疗场景中还存在大量HealthBench Hard评测尚未包含的因素，但至少已经证明在多数医疗场景上的问答质量，GPT-5和Baichuan-M2已经超越资深医生，特别是在知识更新速度和全面性上，完全可以给人类医生强大支持。
GPT-5发布时既没有开源，也没有公布参数，无法私有化部署，无法低成本应用。相比之下，Baichuan-M2快速免费开源，成为医疗行业低成本快速应用部署世界顶尖医疗模型的唯一选择。