一款名为Baichuan-M3的医疗大模型开源，它在多项权威评测中超越了GPT-5.2，尤其在降低幻觉和提高临床决策可靠性方面取得了突破。这为解决AI在医疗领域的应用痛点提供了新思路，展示了国产AI在垂直领域的深度潜力。
智能速览
Baichuan-M3在HealthBench等权威评测中超越GPT-5.2。
通过Fact-Aware RL技术，显著降低医疗信息幻觉率。
模型擅长高保真临床查询，能主动获取信息并构建推理路径。
Gated Eagle3推测解码与W4量化技术大幅提升部署效率。
模型已开源，采用Apache License 2.0，允许研究和商业使用。
精华内容
Baichuan-M3的突破并非偶然，其背后是一系列针对医疗场景痛点的技术创新，旨在构建一个真正可靠的AI医生助手。
性能实测超GPT-5.2
在由262名执业医师构建的HealthBench基准测试中，Baichuan-M3以44.4分的成绩超越GPT-5.2，相比前代提升了28个百分点。更重要的是，在模拟真实临床工作流的BCOSCE评估中，它在病史采集、辅助检查和最终诊断三个维度均排名第一，临床询问能力比第二名高出12.4分，展现了处理复杂医疗对话的实力。
攻克幻觉难题
医疗AI最大的挑战之一是信息幻觉。Baichuan-M3通过事实感知强化学习技术，在训练循环中集成了在线事实验证模块。该模块能实时对照权威医疗证据验证生成的声明，并采用动态奖励策略，在不牺牲推理深度的前提下，显著提高了信息的可靠性，使其在无工具环境下的幻觉率依然低于GPT-5.2。
模拟临床决策
不同于简单的问答，Baichuan-M3被训练用于显式建模临床决策过程。它提出的SPAR技术将临床工作流分解为病史采集、鉴别诊断、实验室检测和最终诊断四个阶段，并为每个阶段设置独立奖励。这种设计驱动模型主动获取关键信息，构建可审计的完整决策逻辑，而非给出“快去看医生”这类模糊建议。
高效部署方案
为了推动实际应用，Baichuan-M3在效率上做了大量优化。通过Gated Eagle3推测解码技术，推理速度实现了96%的提升。同时，W4量化技术将模型内存占用降低至原始大小的26%，仅需要四分之一的资源即可运行，大幅降低了部署门槛，为更广泛的设备集成提供了可能。
Baichuan-M3的开源不仅是技术实力的展示，更为整个医疗AI社区提供了一个强大的新工具。它在可靠性、决策模拟和部署效率上的综合优势，预示着AI在医学教育、健康咨询等辅助场景中将有更广阔的应用前景。未来，这样的技术如何更好地融入现有医疗体系，值得持续关注。
