Baichuan-M2 : Amélioration des capacités médicales grâce à un système de vérification à grande échelle

papers.abstract

Alors que les modèles de langage de grande taille (LLMs) progressent en matière de capacités conversationnelles et de raisonnement, leur application pratique dans le domaine de la santé est devenue un axe de recherche critique. Cependant, un écart notable existe entre la performance des LLMs médicaux sur des benchmarks statiques tels que l'USMLE et leur utilité dans la prise de décision clinique réelle. Cette divergence s'explique par le fait que les examens traditionnels ne parviennent pas à capturer la nature dynamique et interactive des consultations médicales. Pour relever ce défi, nous introduisons un cadre de vérification dynamique novateur qui va au-delà des vérificateurs de réponses statiques, en établissant un système d'apprentissage par renforcement interactif à grande échelle et haute fidélité. Notre cadre comprend deux composants clés : un Simulateur de Patient qui crée des environnements cliniques réalistes à l'aide de dossiers médicaux anonymisés, et un Générateur de Grilles Cliniques qui produit dynamiquement des métriques d'évaluation multidimensionnelles. Sur cette base, nous développons Baichuan-M2, un modèle de raisonnement médical augmenté de 32 milliards de paramètres, entraîné grâce à une stratégie d'apprentissage par renforcement en plusieurs étapes avec un algorithme amélioré d'Optimisation de Politique Relative par Groupe (GRPO). Évalué sur HealthBench, Baichuan-M2 surpasse tous les autres modèles open-source ainsi que la plupart des modèles closed-source avancés, atteignant un score supérieur à 32 sur le benchmark difficile HealthBench Hard, précédemment dépassé uniquement par GPT-5. Notre travail démontre qu'un système de vérification dynamique robuste est essentiel pour aligner les capacités des LLMs avec les applications cliniques pratiques, établissant ainsi un nouveau front de Pareto dans le compromis performance-paramètres pour le déploiement de l'IA médicale.

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 : Amélioration des capacités médicales grâce à un système de vérification à grande échelle

Baichuan-M2: Scaling Medical Capability with Large Verifier System

papers.abstract

Support