Baichuan-M2: Escalando la Capacidad Médica con un Sistema de Verificación a Gran Escala

Resumen

A medida que los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) avanzan en capacidades conversacionales y de razonamiento, su aplicación práctica en el ámbito de la salud se ha convertido en un enfoque crítico de investigación. Sin embargo, existe una brecha notable entre el rendimiento de los LLMs médicos en evaluaciones estáticas como el USMLE y su utilidad en la toma de decisiones clínicas en el mundo real. Esta discrepancia surge porque los exámenes tradicionales no logran capturar la naturaleza dinámica e interactiva de las consultas médicas. Para abordar este desafío, introducimos un novedoso marco de verificación dinámica que va más allá de los verificadores de respuestas estáticos, estableciendo un sistema de aprendizaje por refuerzo interactivo a gran escala y de alta fidelidad. Nuestro marco consta de dos componentes clave: un Simulador de Pacientes que crea entornos clínicos realistas utilizando registros médicos desidentificados, y un Generador de Rúbricas Clínicas que produce dinámicamente métricas de evaluación multidimensionales. Sobre esta base, desarrollamos Baichuan-M2, un modelo de razonamiento aumentado médico con 32 mil millones de parámetros, entrenado mediante una estrategia de aprendizaje por refuerzo en múltiples etapas con un algoritmo mejorado de Optimización de Política Relativa de Grupo (GRPO, por sus siglas en inglés). Evaluado en HealthBench, Baichuan-M2 supera a todos los demás modelos de código abierto y a la mayoría de los modelos avanzados de código cerrado, alcanzando una puntuación superior a 32 en el desafiante benchmark HealthBench Hard, previamente superado solo por GPT-5. Nuestro trabajo demuestra que un sistema robusto de verificación dinámica es esencial para alinear las capacidades de los LLMs con aplicaciones clínicas prácticas, estableciendo un nuevo frente de Pareto en la relación entre rendimiento y parámetros para el despliegue de la IA médica.

English

As large language models (LLMs) advance in conversational and reasoning capabilities, their practical application in healthcare has become a critical research focus. However, there is a notable gap between the performance of medical LLMs on static benchmarks such as USMLE and their utility in real-world clinical decision-making. This discrepancy arises because traditional exams fail to capture the dynamic, interactive nature of medical consultations. To address this challenge, we introduce a novel dynamic verification framework that moves beyond static answer verifier, establishing a large-scale, high-fidelity interactive reinforcement learning system. Our framework comprises two key components: a Patient Simulator that creates realistic clinical environments using de-identified medical records, and a Clinical Rubrics Generator that dynamically produces multi-dimensional evaluation metrics. Building on this foundation, we develop Baichuan-M2, a 32B-parameter medical augmented reasoning model trained through a multi-stage reinforcement learning strategy with an improved Group Relative Policy Optimization (GRPO) algorithm. Evaluated on HealthBench, Baichuan-M2 outperforms all other open-source models and most advanced closed-source counterparts, achieving a score above 32 on the challenging HealthBench Hard benchmark-previously exceeded only by GPT-5. Our work demonstrates that robust dynamic verifier system is essential for aligning LLM capabilities with practical clinical applications, establishing a new Pareto front in the performance-parameter trade-off for medical AI deployment.

Baichuan-M2: Escalando la Capacidad Médica con un Sistema de Verificación a Gran Escala

Baichuan-M2: Scaling Medical Capability with Large Verifier System

Resumen

Support