百川智能发布了循证增强医疗大模型Baichuan-M2 Plus及其配套应用百小应，旨在解决通用大模型在医疗场景中的幻觉问题。M2 Plus采用首创的六源循证推理（EAR）范式，通过“六源循证”、“循证检索”和“循证推理”三大核心技术，构建了从原始研究到真实世界反馈的完整知识体系。评测显示，M2 Plus的医疗幻觉率相比DeepSeek降低约3倍，优于美国医疗应用OpenEvidence，可信度比肩资深临床医生。该模型在多项国内外医学考试中表现优异，展现了其在复杂医学知识运用上的强大能力，标志着医疗AI在辅助临床诊疗方面迈过了“敢用、可用”的关键门槛。

💡 **医疗幻觉率显著降低，可信度比肩资深医生**：Baichuan-M2 Plus通过首创的“六源循证推理（EAR）”范式，构建了从原始研究到真实世界反馈的六层证据体系，并采用“循证检索”和“循证推理”机制，显著降低了医疗幻觉率，相比DeepSeek降低约3倍，可信度达到了与资深临床医生相当的水平，使其在严肃医疗场景中更具应用价值。

🔍 **“六源循证”构建权威知识体系**：该模型整合了海量医学期刊论文、系统评价、临床指南、专家共识、病例报道、公共卫生知识以及药监公告等信息，构建了一个金字塔形的“六源”知识体系。这种体系确保了模型回答的全面性和权威性，能够从不同维度回答“事实是否存在”、“结论是否一致”、“行业如何规范”、“医生应如何决策”等问题，实现了从“生成答案”到“据实回答”的转变。

🎯 **“循证检索”实现精准定位“铁证”**：M2 Plus采用PICO框架思维将查询转化为结构化医学问题，并在六源数据库中进行分层匹配，克服了通用RAG在医学语义理解和文献可靠性辨别上的不足。通过智能提问、精准锁定临床因果链和证据排序，能够优先呈现最可信、最相关的“铁证”，确保信息准确性。

🧠 **“循证推理”让模型“像医生一样思考”**：通过“循证增强训练”，M2 Plus被训练成“引用，而非臆测”。模型在训练中被奖励“引用”权威来源，惩罚“臆测”，并内置“证据评估器”优先采纳高可信度信息。其回答句句有据，可回溯、可验证，自动附带参考文献和指南出处，赋予了AI回答更高的可解释性和可信赖度。

🏆 **多项医学考试断崖领先，超越人类医生水平**：Baichuan-M2 Plus在多项国内外医学考试中取得了压倒性成绩，包括美国执业医师资格考试（USMLE）获得97分，中国执业医师资格考试（NMLE）获得568分，以及中国硕士研究生招生考试临床医学综合能力考试获得282分。在日本、英国、澳大利亚等国高级医师职称晋升考试中准确率也远超及格线，充分证明其在复杂医学知识运用能力上已超越人类医生水准。

百川大模型 2025-10-22 14:04 天津

医生专属ChatGPT,幻觉率相比DeepSeek降低3倍,超越美国最火医疗应用OpenEvidence

今天，我们发布了循证增强医疗大模型 Baichuan-M2 Plus，同步升级配套应用百小应并开放 API。这是我们自 8 月开源 Baichuan-M2 以来的又一次重要动作。评测显示，M2 Plus 的医疗幻觉率较通用大模型显著降低，相比 DeepSeek 低约 3 倍，优于美国最火医疗产品 OpenEvidence，可信度比肩资深临床医生水准。通用大模型固有的幻觉问题导致其在严肃医疗场景中难以真实应用。国内众多医院虽积极尝试部署和优化 DeepSeek，但实际效果不尽人意。反观大洋彼岸的现象级医疗大模型产品 OpenEvidence，给我们提供了重要启示。该产品因符合医学认知的循证增强，已有 40% 美国医生在临床场景中注册使用，每月咨询量达 1650 万次。两天前，其 C 轮融资 2 亿美金，估值达 60 亿美元。

百川 M2 Plus 首创六源循证推理（EAR）范式，打造“医生版 ChatGPT”，让大模型技术在辅助临床诊疗场景迈过“敢用、可用”关键门槛，不仅适合中国医疗环境，在美、日、英的医疗评测中均超过 OpenEvidence，代表中国在世界大模型擂台上再下一城。

首创六源循证推理范式，把循证做“全”、检索做“准”、推理做“对”（一）六源循证：打造从原始研究到真实世界的完整知识体系循证医学（Evidence-Based Medicine, EBM）作为现代医学知识体系的核心范式，是确保医疗决策可信的关键。

通用大模型像一个“博学但不可靠”的专家，即便有搜索增强，也会因为知识来源混杂不符合循证医学范式。

我们不仅主动屏蔽了互联网的非专业信息来源，只使用权威来源的医学证据，在此基础上构建了从证据、到实践、再到真实世界反馈六层证据类型的知识体系：

原始研究层：索引海量医学期刊论文 4000 余万篇，超过 PubMed 收录数量，涵盖基础与临床研究成果，是循证链条的起点；
证据综述层：整合系统评价和 Meta 分析等高等级证据，提供经过汇总的研究结论；
指南规范层：引入国际和国内权威机构发布的临床指南、专家共识和行业标准，确保回答符合最新规范；
实践知识层：包含临床病例报道、一线专家经验和诊疗技巧等实用知识，贴近医疗实践场景；
公共健康教育层：汇集权威科普和公共卫生知识，如疾病预防宣教、健康指导等内容，服务大众健康教育；
监管与真实世界层：涵盖药监部门公告、临床试验登记及大规模真实世界研究数据等信息，以反映最新的监管动态与人群研究结果；

这个金字塔形的“六源”，是一层一层演化而来：原始层回答“事实是否存在”、证据层回答“结论是否一致”、指南层回答“行业如何规范”、实践层回答“医生应如何决策”、公共层回答“患者应如何理解”、真实世界层回答“是否存在新风险”。这让模型从“生成答案”走向“据实回答”，实现了从语言可信度到知识可信度的跃升。

（二）循证检索：从“找得到”跃升到“找得准”传统的 RAG 检索往往追求“找得到”，而循证检索追求“找得准”。

M2 Plus 采用 PICO 框架（人群 Population、干预 Intervention、对照 Comparison、结局 Outcome）思维，将查询转化为结构化医学问题，并在六源数据库中进行分层匹配。

例如：当输入“老年 OSA 患者使用 CPAP 能否改善高血压？”时，系统优先在高等级证据（系统综述、RCT 元分析）中搜索，并自动辨识研究质量、样本量、置信区间与结局指标。

这种方法克服了通用 RAG 的两大缺陷：一是缺乏医学语义理解（无法区分 CPAP 疗效与依从性分析）；二是无法辨别文献可靠性（新闻与指南同权）。

在此基础上，M2 Plus 能够三步精准锁定“铁证”：

第一步，智能提问：自动将用户问题拆解成多个专业的 PICO 查询，进行“地毯式”证据搜索，兼顾精度与广度。
第二步，精准锁定：通过自研的 Medical Contextual Retrieval 技术，完整保留文献的临床因果链，避免信息割裂。
第三步，证据排序：内置“审稿人”模型，自动评估证据等级（如 RCT、Meta 分析），将最可信、最相关的“铁证”优先呈现。

（三）循证推理：让模型“像医生一样思考”如果说“六源循证”解决了医疗 AI 知识从哪来的问题，“PICO 智能检索”解决了如何快速找到正确证据的问题，那么最关键的一步是如何确保 AI 在手握证据时，不会“自由发挥”、脱离事实胡乱回答。

我们在 M2 Plus 中引入“循证增强训练”机制，为模型的回答过程“上了一道锁”，从根本上改变了其生成逻辑，让它学会“引用，而非臆测”：

首先，在训练中奖励“引用”，惩罚“臆测”，准确引用权威来源（如指南、文献）时会获得高分，一旦回答脱离了检索到的证据就会受到惩罚；
其次，内置“证据评估器”，模型被训练得能够自动评估检索到的证据质量，优先采纳高可信度的信息（如 RCT、Meta 分析），并将其无缝嵌入到推理链中；
第三，句句有据，可回溯、可验证：经过训练，M2-Plus 的回答风格发生了根本性改变，在输出关键结论时，会自动附上参考文献、指南出处等来源，这赋予了 AI 回答更高的可解释性与可信赖度。

幻觉最低，达到与人类资深临床专家同等可信度这种“循证驱动”的生成逻辑，让 M2 Plus 几乎杜绝了无中生有的内容。在多场景评测中，其综合幻觉率在所有大模型当中最低，相较 DeepSeek R1 最新版降低3倍，显著领先 OpenEvidence。不仅如此，在病史分析、诊断思路、治疗方案等真实复杂的核心医疗场景中，达到了与人类资深临床专家同等的可信度。

301医院的姜医生提问，“目前公认最有效的基因治疗药物靶向足细胞递送方案有哪些？”很多通用大模型回答这个问题时都产生了明显幻觉，而 M2 Plus 的回答不仅查到了全球最新研究成果，还能按纳米系统 / AAV病毒载体等维度分类。姜医生赞叹：“引用文献非常具有专业性、且信息源紧贴顶刊 ERA 等最新进展，对足细胞基因治疗这么前沿的方向，能帮我快速了解国际热点技术路线，少走弯路。”

北京天坛医院的熊医生，在研究目前 PACAP 在偏头痛中的研究进展如何时发现，头痛相关的研究越来越多，想找到真正有价值的文献并不容易，多数大模型给出的答案都因幻觉问题而不可用。他试用百小应时看到，“能梳理全球PACAP偏头痛研究，从机制到III期临床试验自动串联证据链，不仅回答问题，更让医生站在未来看科研进展。”

无论是专业医疗问题还是常规医疗问答M2 Plus都会引用权威医学证据

多国医学考试断崖领先，医学知识运用能力超越人类医生美国执业医师资格考试（USMLE）是评估临床知识和推理能力的黄金标准，即便是经验丰富的临床专家，要突破 90 分也极具挑战。在此项考试中，M2-Plus 取得了惊人的 97 分，不仅远超人类考生平均水平，更与 GPT-5 的成绩持平，稳居全球第一梯队，展示了其世界级的临床问题解决能力。

中国执业医师资格考试（NMLE）及格线为 360 分，对于广大医学生而言，能考到 450 分以上已是高分，超过 500 分则被视为“学神”级别。M2 Plus 取得了 568 分的“碾压级”成绩，在所有公开测试的主流大模型中位列第一，充分证明其对中国临床指南和医疗实践的掌握已炉火纯青。

如果说执医考是“从业门槛”，那么中国硕士研究生招生考试临床医学综合能力（西医）考试则是顶尖医学生竞争的“华山论剑”。该考试不仅知识面广，且题目设计极为复杂，对临床思维要求高。通常，能考到 280 分以上的考生，都是协和、北医等顶尖学府的头部学霸。M2 Plus 在此项考试中取得了 282 分。

同时，在日本、英国、澳大利亚等国高级医师职称晋升考试中，准确率 85% 以上，远超各国及格线。

这些压倒性的成绩充分说明，M2 Plus 在复杂医学知识运用上的能力，已经超越了人类医生水准。

“医生版 ChatGPT”推动医疗 AI 迈入可信可用阶段接入 M2 Plus 的百小应已在各大手机应用商店更新，成为"医生版 ChatGPT"。为方便电脑端使用，网页版（ying.ai）也同步上线。

随着大模型的普及，除了需要借助 AI 高效地辅助临床决策，医生还开始面对新的挑战：患者用 DeepSeek 自诊和带着 DeepSeek 就医的现象越来越多。虽然知道大模型可能有幻觉和偏颇，但没有时间和精力去甄别哪句对哪句错。通过百小应，医生有了面对通用模型挑战的“专属武器”。

对于希望深入理解诊断、治疗、预后、病因、检查等背后科学逻辑的患者及家属，面对复杂的就医环境和不同医生给出的诊疗方案，百小应让他们有机会获得最新最权威的知识、顶尖专家的思维和视角，得到无限耐心的专业解答。

Baichuan-M2 Plus 也提供了标准化 API 接口，医院信息化部门、互联网医疗、大健康服务等各类泛医学机构，以及从事医疗 AI 行业的开发者，则可以通过 API 将循证推理接入服务场景，提升 AI 服务的医学专业性。

通过开源 Baichuan-Ｍ2、发布 Baichuan-Ｍ2 plus、百小应，开放API，百川致力于持续提升 AI 医疗在真实临床场景的可用性，推动大模型在严肃医疗场景进入落地可用新阶段。

扫描二维码即可下载百小应

阅读原文

跳转微信打开