Baichuan-M2: Масштабирование медицинских возможностей с использованием крупной системы верификации

Аннотация

По мере того как крупные языковые модели (LLM) совершенствуют свои способности к ведению диалога и логическому рассуждению, их практическое применение в здравоохранении становится важным направлением исследований. Однако существует заметный разрыв между производительностью медицинских LLM на статических тестах, таких как USMLE, и их полезностью в реальной клинической практике. Это несоответствие возникает из-за того, что традиционные экзамены не учитывают динамический и интерактивный характер медицинских консультаций. Для решения этой проблемы мы представляем новую динамическую систему верификации, которая выходит за рамки статической проверки ответов, создавая масштабную высокоточную интерактивную систему обучения с подкреплением. Наша система включает два ключевых компонента: симулятор пациента, который создает реалистичные клинические сценарии на основе обезличенных медицинских записей, и генератор клинических критериев, который динамически формирует многомерные метрики оценки. На основе этой системы мы разработали Baichuan-M2 — медицинскую модель расширенного рассуждения с 32 миллиардами параметров, обученную с использованием многоэтапной стратегии обучения с подкреплением и улучшенного алгоритма Group Relative Policy Optimization (GRPO). Оцененная на тестовом наборе HealthBench, модель Baichuan-M2 превосходит все другие открытые модели и большинство передовых закрытых аналогов, достигая результата выше 32 на сложном тесте HealthBench Hard — ранее этот показатель был превышен только GPT-5. Наша работа демонстрирует, что надежная динамическая система верификации необходима для согласования возможностей LLM с практическими клиническими задачами, устанавливая новый парето-фронт в компромиссе между производительностью и количеством параметров для внедрения медицинского ИИ.

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: Масштабирование медицинских возможностей с использованием крупной системы верификации

Baichuan-M2: Scaling Medical Capability with Large Verifier System

Аннотация

Support