百川发布新一代医疗增强大模型M4登顶HealthBench

6月22日，百川智能携手清华大学研究团队发布了一项重磅成果——新一代医疗增强大模型 Baichuan-M4 正式亮相。该模型在 HealthBench 及其 Hard、Professional 三个榜单上同时登顶世界第一，全面超越 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro，而最令行业关注的是，其幻觉率已低至 3.3%。从 M1 到 M4，百川始终在攻克一个核心难题：让模型真正跨越“会答题”与“会看病”之间那道最艰难的门槛。

在 OpenAI 发布的权威医疗评测 HealthBench 中，M4 综合得分 68.6，位列全球第一，领先第二名 GPT-5.5 超过 10 分；在最考验复杂临床决策的 Hard 子集上，领先幅度更是达到 15.9 分。其事实性幻觉率降至 3.3%，为全行业最低——作为对比，同口径下 GPT-5.5 为 3.8%、Claude Opus 4.7 为 6.9%、DeepSeek-V4-Pro 则高达 9.8%。这些数字背后，反映的绝非单纯的考试能力，而是四项贴近临床的核心素质：问诊、记忆、循证、调度。

M4 的能力体现在诸多细节之中。它会主动追问症状的性质与诱因，优先识别并排查危急重症，而不是被动等待用户一股脑儿倒完信息，更不会为了追求速度而跳过关键病史。举个真实案例：一位用户深夜脚痛，打开产品后配合完成了十轮问询——哪个脚趾、疼了多久、有无外伤、近期是否饮酒、既往血尿酸是否偏高。M4 逐步缩小范围，怀疑是急性痛风，建议他前往医院风湿免疫科就诊，并顺手将病史和症状整理成一张问诊卡。到院后，他把卡片交给医生，经过二次问询和检查，最终确诊为痛风。

为了更客观地评估这种动态能力，百川借鉴了医学教育中长期使用的 OSCE（客观结构化临床考试）方法，联合 150 多位一线医生，构建了一套动态问诊评测体系 SCAN-bench。这套系统不考察静态记忆，而是以真实临床经验为评分标准，通过多轮、动态的方式完整模拟医生从接诊到确诊的全流程。在该评测中，M4 的初诊得分为 79.0，复诊为 74.7，均明显领先于 GPT-5.5、DeepSeek-V4-Pro 和 Claude Opus 4.7。

M4 这一代推出的「全病程记忆」更是将体验提升了一个台阶。它能打通历史病历、多轮问诊、化验趋势与用药反馈，使模型在多次对话中始终掌握患者是谁、既往有哪些疾病、各项指标如何变化，而无需每次从零开始。在长上下文临床记忆评测中，M4 取得 86.9 分，为同类最高，比上代 M3 提升了 21.1 分。当然，记得住只是基础——当模型真正掌握了一个人的完整病史与身体状况后，它给出的判断就不再是套用通用答案，而是因人而异、贴合其自身情况的精准判断。这，正是精准医疗的前提。

百川首创的"证据锚定"机制同样值得关注。它要求模型生成的每一句医学结论，都必须精确对应到原始论文或指南中的具体段落，而不只是标注引自某篇文献了事。依托六源循证范式，模型只在权威医学来源中检索，绝不从开放网络随意抓取。M4 在此基础上，把权威指南、专家共识与真实诊疗流程，进一步拆解为标准化、可复用的临床路径单元，目前已超过 1000 个，覆盖 200 余种疾病，每一条都由资深临床专家定义和校验。在百川构建的循证医学评测 Baichuan-EBM 上，M4 的循证引用精度达到 90.0，而 GPT-5.5 为 54.7，OpenEvidence 为 55.9。

说到底，M系列模型是医疗 Agent 的大脑，而调度就是连接这个大脑的中枢神经：何时追问、何时检索证据、何时调出既往病史，均由模型自主决定，无需人工逐步下达指令。面对文献检索、长病史梳理这类繁重任务，它会主动拆分成子任务并行处理，让模型专注于整体诊疗路径的判断；而每一步动作，都在实时的安全约束下完成——违规的工具调用、越权的数据访问、不合临床规范的操作，都会被当场拦截。这套系统并非一成不变，而是在真实诊疗中持续迭代：线上的疑难案例、用户的追问、医生的纠偏，经脱敏与归因后回流，成为模型继续改进的依据。问诊、记忆、循证由此被编排成一个完整的整体，M4 从一个最强的医疗大脑，进阶为能独立完成连续诊疗的医疗智能体。