Von der Sprachfähigkeit zur Entscheidungsfindung: Baichuan M3 definiert den Standard für medizinische Großmodelle neu

Am 13. Januar veröffentlichte und öffnete Baichuan Intelligence das neue Generation medizinisch erweiterte Großmodell Baichuan-M3 als Open Source. Auf dem von OpenAI dominierten maßgeblichen medizinischen Evaluationsdatensatz HealthBench und seinem schwierigen Teilsatz erzielte dieses Modell das weltweit höchste Gesamtergebnis und übertraf GPT-5.2 deutlich; bei der reinen Modellbewertung der medizinischen Halluzinationsrate erreichte es ebenfalls das derzeit niedrigste Niveau; bei der SCAN-bench-Evaluierung, die sich auf die gesamte klinische Fähigkeit konzentriert, belegte M3 in mehreren Kernindikatoren wie Anamneseerhebung, unterstützende Untersuchungen und Diagnose den ersten Platz und zeigte umfassende führende medizinische Schlussfolgerungs- und Untersuchungsfähigkeiten.

Darüber hinaus verfügt M3 erstmals über die native „End-to-End“-Fähigkeit für ernsthafte medizinische Untersuchungen. Es kann wie ein Arzt aktiv nachfragen, schrittweise näher kommen, wichtige Krankheitsgeschichten und Risikosignale herausfinden und dann auf der Grundlage vollständiger Informationen tiefe medizinische Schlussfolgerungen durchführen. Die Bewertung zeigt, dass seine Untersuchungsfähigkeit deutlich über dem Durchschnittsniveau von echten Ärzten liegt.

Aber die Bedeutung dieser Veröffentlichung liegt nicht nur in einer weiteren Übertreffung in der technischen Rangliste. Noch wichtiger ist, dass Baichuan-M3 das medizinische Großmodell auf eine neue Stufe hebt: Es bleibt nicht mehr auf der Ebene von Dialog und Ausdruck, sondern beginnt wirklich über die Fähigkeit zu verfügen, den gesamten Diagnose- und Behandlungsprozess zu unterstützen und an der medizinischen Entscheidungsfindung selbst teilzunehmen. Aus diesem Grund übertrifft seine Bedeutung die anderer Modelle bei weitem. Der technische Fortschritt des Großmodells kann endlich vollständig in einen realen, skalierbaren Wert umgewandelt werden, der im Bereich der Gesundheitsversorgung umgesetzt werden kann.

„Es ist sinnvoll, Patienten bei der Erzeugung von Werten für unterstützende Entscheidungen zu helfen“, teilte Wang Xiaochuan, Gründer & CEO von Baichuan Intelligence, auf der Veröffentlichungsveranstaltung mit.

In dem Szenario der medizinischen Versorgung, das die höchsten Anforderungen an Sicherheit und Verantwortung stellt, tritt eine solche Veränderung nicht zufällig ein. Es bedeutet, dass jemand einen langsameren, schwierigeren und weniger trickreichen Weg gewählt hat, um die Modelfähigkeit von der Demonstration von Intelligenz schrittweise hin zu der Übernahme von Entscheidungen zu lenken.

Warum konnte Baichuan diesen Schritt erreichen? Warum tritt dieser Durchbruch im medizinischen Bereich auf und nicht in beliebteren Bereichen wie Code, Suche oder Agenten? Und warum konvergieren diese lang angesammelten technischen Entscheidungen und Ingenieurwege gerade jetzt zu einem klaren Ergebnis?

Die Bewertungsstandards für medizinische Großmodelle werden neu geschrieben

Fast seit der Geburt der künstlichen Intelligenz betrachten die Menschen die medizinische Versorgung als eine der Branchen, die am wahrscheinlichsten und am wertvollsten von KI transformiert werden können.

Vor dem Erscheinen von HealthBench waren die mit der medizinischen Branche verbundenen KI-Fähigkeiten kaum vergleichbar. Jedes Modell kann behaupten, dass es Medizin versteht und medizinische Fragen beantworten kann, aber es gibt kein einheitliches Bewertungskoordinatensystem, geschweige denn einen horizontalen Vergleich.

Im Mai dieses Jahres führte OpenAI HealthBench ein. Dieser Standard sammelt eine große Anzahl von Mehrrunden-Dialogproben, die auf echten klinischen Szenarien basieren, sodass die medizinische Fähigkeit quantitativ bewertet werden kann und einen öffentlichen Standard erhält. Daher war es für eine lange Zeit fast gleichbedeutend mit dem höchsten Standard für medizinische Großmodelle und wurde zu dem gemeinsamen Koordinatensystem, in dem alle Modelle ihre medizinische Fähigkeit demonstrieren.

Aus diesem Grund galt für eine lange Zeit die implizite Übereinstimmung: Wer bei HealthBench eine höhere Punktzahl erzielt, versteht die medizinische Versorgung besser. Das liegt nicht daran, dass HealthBench die gesamte Komplexität der medizinischen Versorgung abdeckt, sondern daran, dass die Branche vor seinem Auftreten überhaupt keinen Standard hatte.

Ab einem bestimmten Moment änderte sich der Branchentrend. Von Mitte letzten Jahres bis heute, als medizinische Assistenten wie A-Fu und Xiaohe Doctor im Inland nacheinander online gingen, OpenAI ChatGPT Health einführte und Anthropic Claude for Healthcare auf den Markt brachte, ist die medizinische Versorgung nicht mehr nur ein Benchmark zum Testen der Intelligenz von Modellen, sondern zu einer Produktrichtung geworden, in die Hersteller von Großmodellen direkt investieren müssen; die Modelle müssen sich auch direkt der Frage stellen, ob die Antwort als Entscheidungsgrundlage dienen kann.

Das ist nicht mehr nur eine Frage der Rangfolge.

Genau in dieser Phase beginnen die Grenzen von HealthBench sichtbar zu werden. Es ist immer noch wichtig, aber nicht mehr ausreichend. Es kann immer noch beweisen, ob das Modell über medizinisches Wissen und professionelle Ausdrucksfähigkeit verfügt, aber es kann eine zentralere Frage nicht beantworten: Ob das Modell über die Qualifikation verfügt, in den echten medizinischen Entscheidungsprozess einzugehen.

Klinische Entscheidungen beginnen niemals mit einem standardisierten Problem, sondern mit höchst unvollständigen und sogar chaotischen Informationen. Patienten können oft nicht die Schwerpunkte klar beschreiben, Symptome überlagern sich gegenseitig, verschiedene Risiken vermischen sich. Die eigentliche Schwierigkeit liegt nicht darin, „wie man die Antwort gibt“, sondern darin, „wie man die Frage stellt“. Ein großer Teil der professionellen Fähigkeit eines Arztes zeigt sich in der Beurteilung der Informationspriorität: Welche hochriskanten Signale sofort ausgeschlossen werden müssen, welche verschoben werden können, welche Informationen fehlen, sodass keine Schlussfolgerung gezogen werden kann, und welche nur als ergänzende Referenz dienen.

Genau an diesem Punkt hat Baichuan eine deutlich andere Wahl getroffen als die Mainstream-Route. Einerseits gibt es den Wettbewerb im HealthBench-System nicht auf und strebt weiterhin danach, unter den bestehenden maßgeblichen Standards das Beste zu erreichen; andererseits führt es gleichzeitig SCAN-bench ein, um den zuvor lange vernachlässigten Bereich der Modellierung und Bewertung des gesamten klinischen Prozesses selbst zu ergänzen.

Unter Bezugnahme auf das im medizinischen Unterricht seit langem verwendete OSCE-Verfahren hat Baichuan unter Beteiligung von mehr als 150 Ärzten an der Frontlinie das SCAN-bench-Bewertungssystem aufgebaut, das auf echten klinischen Erfahrungen als „Standardantwort“ basiert, den Diagnose- und Behandlungsprozess in drei Phasen unterteilt: Anamneseerhebung, unterstützende Untersuchungen und genaue Diagnose, und durch dynamische Mehrrunden-Verfahren prüft, um den gesamten Prozess des Arztes von der Aufnahme des Patienten bis zur Bestätigung der Diagnose vollständig zu simulieren. Im Vergleich zu HealthBench ist SCAN-bench ein neuer Paradigma für eine umfassendere End-to-End-dynamische Bewertung des gesamten Prozesses.

Das heißt, während die Branche noch vergleicht, wer besser „antworten“ kann, hat Baichuan den Fokus auf ein anderes grundlegendes Problem verlagert: Kann das Modell wie ein Arzt „fragen“?

Das ist genau das Besondere an der diesjährigen Veröffentlichung von M3: Es bildet einen geschlossenen Kreis in der Fähigkeitsstruktur, der sowohl schlussfolgern als auch keine erfundenen Inhalte erzeugen kann und weiß, wie alle notwendigen Informationen abgefragt werden. Die Fähigkeit zum Schlussfolgern löst das Problem „kann man beurteilen“, das Vermeiden von erfundenen Inhalten löst das Problem „kann man vertrauen“, und die Fähigkeit zur medizinischen Untersuchung löst das Problem „hat man die Qualifikation, in den Entscheidungsprozess einzugehen“.

Wenn alle drei Punkte erfüllt sind, kann das medizinische Großmodell von einem intelligenten System, das sprechen kann, zu einem System werden, dem ein Teil der Verantwortung für medizinische Entscheidungen anvertraut werden kann.

Nach den Ergebnissen ist M3 immer noch ein Modell mit mehreren ersten Plätzen. Dass es bei HealthBench den Spitzenplatz erreicht, bedeutet, dass es unter dem von OpenAI selbst definierten medizinischen Fähigkeitsstandard eine umfassende Übertreffung vollzogen hat; und im HealthBench-Hard-Teilsatz, der komplexere klinische Entscheidungsfähigkeiten betont, gewann M3 mit 44,4 Punkten und übertraf erstmals systematisch GPT-5.2. Dieses Ergebnis ist überzeugender, da es nicht nur überprüft, ob die Antwort professionell ist, sondern auch die Stabilität und Zuverlässigkeit des Modells in Szenarien mit hoher Unsicherheit und hohem Schlussfolgerungsgrad bestätigt.

Gleichzeitig erzielte M3 die weltweit niedrigste Halluzinationsrate ohne Einsatz von Werkzeugen, was bedeutet, dass Sicherheit zu einer inhärenten Fähigkeit des Modells geworden ist, anstatt durch externe Suche, Regelbeschränkungen oder technische Patches ausgeglichen zu werden. Noch wichtiger ist, dass M3 auch in der SCAN-bench-Bewertung, die auf den gesamten klinischen Prozess abzielt, den ersten Platz belegte, insbesondere im zentralen Untersuchungsabschnitt übertraf es deutlich die GPT-Serienmodelle und das Basisniveau menschlicher Ärzte. Das zeigt, dass das Modell die seit langem vernachlässigte Kernfähigkeit zur Erfassung klinischer Informationen ergänzt hat, die die Obergrenze medizinischer Entscheidungen bestimmt.

Der echte Wendepunkt der KI-Medizin

Wenn die Branche in den letzten zwei Jahren hauptsächlich darauf abzielte, Modelle dazu zu bringen, „wie“ Ärzte zu sprechen, dann gibt M3 dieses Mal die Feststellung: Ausdruck allein reicht nicht aus, man muss über die Denkstruktur eines Arztes verfügen.

Eine große Anzahl von „KI-Ärzten“ befindet sich noch auf der Ebene des Rollenspiels: Die Dialoge sind flüssig, der Ton ist professionell, aber die Fragen dienen hauptsächlich dazu, den Dialog vollständig erscheinen zu lassen, anstatt wichtige Informationen für klinische Entscheidungen zu sammeln. Die Modelle unterhalten sich oft entlang der Beschreibungen der Patienten, machen aber selten wie echte Ärzte zuerst eine Risikostratifizierung, untersuchen Warnzeichen und entwerfen Fragen umgekehrt entlang des Diagnose- und Behandlungspfades. Das Ergebnis ist, dass der Dialog professionell aussieht, aber keine ernsthafte Beurteilung stützen kann und am Ende nur auf Sicherheitsfolgerungen wie „empfohlen, umgehend einen Arzt aufzusuchen“ hinausläuft.

Das ist genau der wesentliche Unterschied zwischen „sprechen können“ und „klinische Entscheidungen treffen können“ und der Hintergrund, warum Baichuan „ernsthafte medizinische Untersuchungen“ und das „SCAN-Prinzip“ vorgeschlagen hat. Wang Xiaochuan teilte auf der Veröffentlichungsveranstaltung mit: „In der medizinischen Branche können Patienten oft nicht sich selbst vollständig ausdrücken, sie kennen nur oberflächliche Symptome, also müssen sie einen Arzt konsultieren und durch die Untersuchung den vergangenen Krankheitsverlauf klären. Nachdem genügend Daten vorliegen, können die nachfolgenden Untersuchungen, Diagnosen und Schlussfolgerungen gut durchgeführt werden. Die heutigen Großmodelle verfügen nicht über eine solche Fähigkeit.“

Was Baichuan erreichen möchte, ist die Arbeitsweise, auf die sich klinische Ärzte seit langem aufgrund von Erfahrung stützen, in technische Ziele zu zerlegen, die von Modellen erlernt, bewertet und durch verstärkendes Lernen direkt optimiert werden können.

Konkret in der Technik hat Baichuan nicht gewählt, Funktionen zu häufen, sondern sich auf die Lösung von drei grundlegendsten Problemen konzentriert.

Zuerst das voll dynamische Verstärkungslernsystem.

In der M2-Phase hing das Verstärkungslernen mehr von relativ statischen Überprüfungsregeln ab. Nachdem die Modelfähigkeit auf ein bestimmtes Niveau gestiegen ist, wird das Überprüfungssystem selbst zur Obergrenze. Bei M3 ist der Verifier als System konzipiert, das sich gemeinsam mit der Modelfähigkeit weiterentwickeln kann: Wenn das Modell neue Fehlermuster aufdeckt, erzeugt der Verifier neue Beschränkungen; alte, niedrigwertige Regeln werden beseitigt, und hochwertige Regeln werden kontinuierlich verstärkt. Regeln und Modell heben gemeinsam die Obergrenze an und lösen das Problem, dass die Fähigkeit in der späteren Phase leicht an eine Grenze stößt.

Zweitens der SPAR-Algorithmus.

Die medizinische Untersuchung ist von Natur aus eine extrem lange Entscheidungskette. Wenn man nur darauf achtet, ob die endgültige Diagnose korrekt ist, kann das Modell überhaupt nicht erkennen, wo das Problem liegt: Wurde die Krankengeschichte nicht klar abgefragt, ist der Untersuchungsvorschlag falsch oder ist der Schlussfolgerungspfad abgewichen. SPAR zerlegt die langkettige Entscheidung durch schrittweise Bestrafung und einen relativen Referenzmechanismus in lokalisierbare Prozesse, sodass das Modell in begrenzten Dialogrunden lernen kann, wichtige Fragen genau und ausreichend zu stellen, anstatt die Anzahl der Dialogrunden zu verlängern.

Drittens Fact-aware RL. In medizinischen Szenarien gilt: Je stärker die Schlussfolgerungsfähigkeit ist, desto leichter neigt das Modell dazu, sich „sicher“ zu sein; je sicherer es spricht, desto gefährlicher ist es, wenn die Faktenbasis nicht solide ist. Herkömmliche Verfahren beruhen oft auf externer Suche oder Regelsystemen zur Korrektur, aber M3 macht die geringe Halluzination direkt zu einem Optimierungsziel des Verstärkungslernens, sodass Faktenkonsistenz zu einem Teil der inhärenten Fähigkeit des Modells wird. Gleichzeitig wird durch dynamische Gewichtsanpassung verhindert, dass das Modell zu einem konservativen Zustand zurückkehrt, in dem es weniger Fehler macht, indem es weniger spricht, sodass starkes Schlussfolgern und hohe Zuverlässigkeit gleichzeitig erfüllt werden können.

Hinter diesen drei Entwürfen verbirgt sich tatsächlich dasselbe Ziel: Bei Fähigkeit und Sicherheit, starkem Schlussfolgern und hoher Zuverlässigkeit macht Baichuan keine Kompromisse, sondern möchte beide erreichen und beide zu koordinierten Indikatoren im selben technischen System machen.

Auf diese Weise hat die KI-Medizin wirklich diese Trennlinie überschritten.

Vom Gesundheitsassistenten zur Entscheidungsunterstützung

Wenn die Modelfähigkeit den vollständigen geschlossenen Kreis aus Schlussfolgern, Vermeiden von erfundenen Inhalten und medizinischer Untersuchung abgeschlossen hat, verlagert sich der Schwerpunkt von Baichuan zwangsläufig: Von der Demonstration des Modells selbst hin zur Umsetzung der Fähigkeiten in echten medizinischen Szenarien.

Das ist auch der Grund, warum man von außen beobachten kann, dass der Produktfortschritt von Baichuan Xiaobao in letzter Zeit deutlich beschleunigt wurde, verschiedene Funktionen nacheinander ergänzt wurden und schrittweise ein Systemgerüst aufgebaut wird, das medizinische Arbeitsabläufe übernehmen kann. Das Modell braucht keine Demonstrationsfenster mehr, sondern einen Träger, der Informationen sammeln kann, die langfristige Nutzung unterstützt und an echte Entscheidungsketten angeschlossen ist.

Auf diese Weise wird der Unterschied zwischen dem von Baichuan verfolgten „ernsthaften medizinischen Bereich“ und einer großen Anzahl von „allgemeinen Gesundheitsprodukten“