百川發布新一代醫療增強大模型 M4：AI 像真人醫生一樣主動問診

勇礪商業評論 阿桶觀察 全球商業風向 白麗

越來越多人開始拿 AI 看病——身體不舒服、化驗單看不懂，先問問 AI，已經成了一種習慣。有大夫表示，“一上午30個門診，25個帶著AI來看病?！?AI 的表現似乎也對得起這份信任：牛津大學的一項研究里，把整理好的完整病例直接交給頂尖通用大模型，診斷準確率高達 94.9%，比很多醫生還高。

但同一項研究的另一半，卻很少被提起：當研究者讓普通人拿著自己的病情去和同一個 AI 對話時，準確率一路暴跌到 34.5%。問題不在模型聰不聰明，而在信息是怎么來的——完整病例是醫生整理好的?？涩F實里，病人說不清哪里不對、不知道什么該講，關鍵信息得靠大夫的一句句追問才能得到。通用大模型最不擅長的恰恰是主動追問，它默認你能完整準確地描述病情，一旦做不到，再流暢專業的回答，也只是建立在殘缺信息上的幻覺。

這正是百川想解決的問題。近日，百川智能與清華大學研究團隊聯合發布新一代醫療增強大模型 Baichuan-M4——它在 HealthBench 及其 Hard、Professional 三個榜單上同時位列世界第一，全面超越 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro，幻覺率低至 3.3%。從 M1 到 M4，百川始終在做同一件事：讓模型跨過“會答題”與“會看病”之間那道最難的坎。

HealthBench 全球第一，幻覺率全行業最低

在 OpenAI 提出的權威醫療評測 HealthBench 上，M4 綜合得分68.6，位列世界第一，領先第二名 GPT-5.5 超過 10 分；在最考驗復雜臨床決策的 Hard 子集上，領先達 15.9 分。事實性幻覺率降至3.3%，為全行業最低——同口徑下，GPT-5.5 為 3.8%、Claude Opus 4.7 為 6.9%、DeepSeek-V4-Pro 高達 9.8%。這些分數指向的不是考試能力，而是四項貼著臨床走的核心能力：問診、記憶、循證、調度。

深度問診：從被動應答，到像臨床醫生一樣主動追問

問診是看病的第一步。一名好醫生的功力，往往就體現在問診上——他能用一連串恰到好處的追問，引導患者把零散、模糊、甚至自己都沒在意的細節，一點點說成一條完整的病程。這恰恰是通用模型的弱項：它們多依靠"你是一位經驗豐富的醫生"這類提示來激活角色扮演，問上幾句就急于給出結論。而真實診療里，病人一句"胸口悶、偶爾心慌"的背后，可能是焦慮，也可能是心梗的前兆，全靠一層層追問才能分辨。

M4 會主動追問癥狀的性質與誘因，優先識別和排查危急重癥，而不是被動等待用戶提供完整信息，更不會為了盡快給出答案而跳過該問的關鍵病史。一位用戶深夜腳痛，打開產品后配合完成了十輪問詢：哪個腳趾、疼了多久、有無外傷、近期是否飲酒、既往血尿酸是否偏高。M4 逐步縮小范圍，懷疑為急性痛風，建議其前往醫院風濕免疫科就診，并將病史與癥狀整理成一張問診卡。到院后，他將卡片出示給醫生，經二次問詢和檢查，確診為痛風。

百川借鑒醫學教育中長期使用的OSCE（客觀結構化臨床考試）方法，聯合 150 多位一線醫生，構建了動態問診評測體系SCAN-bench。它不考查靜態記憶，而是以真實臨床經驗為評分標準，通過多輪、動態的方式完整模擬醫生從接診到確診的全過程。在這套評測中，M4 初診79.0、復診74.7，均明顯領先GPT-5.5、DeepSeek-V4-Pro 和 Claude Opus 4.7。

全病程記憶：從單輪對話記憶，到跨越數年的全病程記憶

真實的診療，很少在一次問診里就結束。一次化驗結果、一次用藥后的反應、一個新冒出來的癥狀，都會隨病情推進不斷改寫醫生的判斷——這意味著，誰能記住一個人完整的病史，誰才談得上連續地看病。通用大模型雖然也講"記憶"，但它記住的多是最近幾輪對話的上下文，一旦跨越較長時間，早期的檢查結果、用過的藥、出現過的反應往往就被遺忘。它記得住一次對話，卻記不住一個人完整的病程。

M4 這一代推出的「全病程記憶」，正是針對這一點。它打通歷史病歷、多輪問診、化驗趨勢與用藥反饋，讓模型在多次對話中始終掌握患者是誰、既往有過哪些疾病、各項指標如何變化，而不必每次從零開始。在長上下文臨床記憶評測中，M4 取得86.9 分，為同類最高，較上一代 M3 提升21.1 分。而記得住只是基礎——當模型真正掌握了一個人的完整病史與身體狀況，它給出的判斷便不再是套用一份通用答案，而是因人而異、貼合其自身情況，這正是精準醫療的前提。

一位用戶與父母分居兩地，在一次家庭對話中，老人隨口提到"最近走一圈就喘"。M4 結合老人的長期健康記錄與既往病史，判斷其可能存在早期心功能不全的風險，建議及時就醫，后續的醫院檢查證實了這一判斷。

證據錨定：每一句醫學結論，都精確對應到原始論文或指南

在循證醫學體系里，醫生信任一條結論，靠的從來不是它說得像不像醫生，而是結論背后的證據是否權威、是否準確、是否可追溯。比起語言是否流暢，臨床真正在意的是：這一句，到底出自哪篇論文、哪條指南、哪一段原文。

如今無論通用大模型還是醫療模型，大多已經會在結論后附上文獻來源。但醫生在實際使用中常常發現，點開引文，仍然判斷不了這句結論究竟來自哪段證據。問題通常是兩類：一類是引用編號在、文獻卻對不上；另一類是文獻本身沒錯，但被引用的那一段，跟結論根本不是一回事。

針對這一點，百川首創的"證據錨定"要求模型生成的每一句醫學結論，都精確對應到原始論文或指南中的具體段落，而不只是標注引自哪篇文獻。依托六源循證范式，模型只在權威醫學來源中檢索，不從開放網絡抓取資料。M4 在此之上，把權威指南、專家共識與真實診療流程，進一步拆解為標準化、可復用的臨床路徑單元，目前已超過1000 個、覆蓋200 余種疾病，每一條都由資深臨床專家定義和校驗。

在百川構建的循證醫學評測 Baichuan-EBM 上，M4 的循證引用精度達到90.0，GPT-5.5 為 54.7，OpenEvidence 為 55.9。

Agent 架構：從最強醫療大腦，到最強醫療智能體

問診、記憶、循證彼此割裂，單項再強，也拼不成一個能用的醫療系統。常見的做法是把多個能力按固定順序人工調用，但患者并不會判斷自己此刻該問診、查指南還是復盤病史，銜接一旦錯位，整套就卡在那里。這一步的編排，必須由模型自己完成。

承擔這層編排的，是百川面向醫療場景構建的Baichuan-Harness。如果說 M 系列模型是醫療 Agent 的大腦，它就是調度這個大腦的中樞神經：何時追問、何時檢索證據、何時調出既往病史，均由模型自主決定，無需人工逐步指令。面對文獻檢索、長病史梳理這類繁重任務，它會拆分成子任務并行處理，讓模型專注于整體診療路徑的判斷；而每一步動作，都在實時的安全約束下完成——違規的工具調用、越權的數據訪問、不合臨床規范的操作，都會被當場攔下。

更重要的是，這套系統不是一次成型，而是在真實診療中持續迭代：線上的疑難案例、用戶的追問、醫生的糾偏，經脫敏與歸因后回流，成為模型繼續改進的依據。問診、記憶、循證由此被編排成一個完整的整體，M4 也從一個最強的醫療大腦，成為能獨立完成連續診療的醫療智能體。

從OpenAI的ChatGPT Health到Anthropic的Claude for Healthcare，全球頂尖大模型公司都已把目光投向醫療，這場競速已進入深水區。而在最挑戰模型能力的嚴肅醫療場景里，百川用 M4 給出了目前最好的答卷——三項 HealthBench 第一、最低的幻覺率、斷層領先的循證精度和持續多輪的問診能力。從 M1 到 M4，百川始終只做一件事：讓 AI 真正能看病。

這件事最難，但也最值得，它正在把原本只能滿足少數人的優質診療資源，帶到每一個普通人身邊。（白麗）