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

作者：Li Yuan

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复；而 1 月 12 日，Anthropic 也立馬推出了 Claude for Healthcare，並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 醫療受到諸多質疑後，百川智能似乎終於證明了自己。 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。

此次發布的 M3 模型，最亮眼的成績之一，在於模型第一次在 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。

發布後，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，甚至在專門考驗複雜決策能力的 HealthBench Hard 上，M3 也成功奪冠，刷新了最高分。

百川還同步公佈了一個幻覺率的測試結果，在幻覺率，M3 模型達到了 3.5%，屬於全球最低。

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，關鍵的模型提昇在於為醫療引入了合適於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症狀，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，而這無論對於醫生還是患者，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——聚類消除冗餘表述的干擾，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）；在能力成熟後，逐步收緊事實性約束（提升 Hallucination Weight）。

當可以聯網搜索時，百川還加入了基於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。

不過，在 Healthbench 上超過 OpenAI 並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，關鍵點在於優化「端到端的問診能力」。 這源於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%。

也就是說相比於 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」，通常並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範的——百川將其歸納為四個像限的 SCAN 原則：Safety Stratification（安全分層）、Clarity Matters（信息澄清）、Association & Inquiry（關聯追問）與 Normative Protocol（規範化輸出）。

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採集、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。

此次百川也公佈了 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。 而在四個像限中，真人醫生實際上都已經落後於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，在於模型更耐心，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，這也是複雜症狀常常需要專家會診，或者疑難病症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。

對於百川智能而言，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，模型在後台的思考很有意思。 「 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。」

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，並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。」王小川講到。

一個典型的例子是未來百川會優先做腫瘤專科的解決場景，而心理療愈排在百川的優先級的比較靠後的位置。

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。 在這裡，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並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，並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。

這直接關係到王小川對醫療 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製度。 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。 基層醫療機構缺乏高水平的醫生。 大家即便只是感冒也願意去三甲醫院排隊，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模化分發。 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。 「很多人覺得醫療太複雜了，患者是永遠理解不了的。但我們想的在美國的司法體系裡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。」王小川講到。

這也是百川智能不願意只做簡單場景，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，也更有意願為高質量的 AI 服務付費。 這種信任不僅是商業回報的前提，更是 AI 醫療能夠規模化應用的核心。

而從更根本的意義上講，醫療對於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 在這一領域也正處於摸索階段。

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，百川致力於建立與患者之間的深度信任。 當患者願意使用 AI 工具，長期進行醫療諮詢，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。