百川M4深度解析：3.3%幻觉率背后的医疗AI范式跃迁——从知识问答到连续诊疗Agent

2026 年 6 月 22 日，百川智能与清华大学联合发布 Baichuan-M4——一个在 HealthBench 三项子榜单上同时拿下世界第一的医疗增强大模型。

但真正值得关注的不是跑分本身，而是三个数字的组合：

• 事实性幻觉率 3.3%（GPT-5.5 为 3.8%，Claude Opus 4.7 为 6.9%）
• 循证引用精度 90.0（GPT-5.5 为 54.7）
• Hard 子集领先第二名 15.9 分

这意味着什么？意味着医疗 AI 首次同时满足「说得对」和「说得准」两个条件——不仅能给出正确方向，还能把每一句医学结论精确对应到权威指南的具体段落。

据百川智能官方介绍，M4 的定位不是「更聪明的医疗问答机器人」，而是一个能独立完成连续诊疗的医疗智能体。从 M1 到 M4，百川做的事情只有一件：让 AI 跨过「会答题」与「会看病」之间那道最难的坎。

本文将从技术架构、评测体系、竞品对比三个维度，拆解 M4 为什么值得关注，以及它对医疗 AI 行业意味着什么。

前置阅读收获：

• 理解 3.3% 幻觉率在医疗场景中的真实含义
• 掌握评估医疗 AI 的四维框架：问诊 / 记忆 / 循证 / 调度
• 看清医疗 AI 从「咨询工具」到「连续诊疗 Agent」的演进路径

先看一组对比数据，才能理解 3.3% 有多难：

为什么法律场景的幻觉率高达 69-88%，而 M4 能做到 3.3%？

核心差异在于训练目标完全不同。通用模型被训练为「尽可能有帮助」——当信息不足时，它会用看似合理的推测填补空白。在医疗场景，这种「有帮助的冲动」是致命的。

M4 的做法是事实感知强化学习（Fact-Aware Reinforcement Learning）——在 RL 训练循环中直接嵌入事实验证模块。具体来说：

1. 在线幻觉检测：模型每生成一个医学声明，实时与权威医学证据比对
2. 动态奖励聚合：根据模型当前能力阶段，自适应平衡任务学习与事实约束
3. 证据锚定（Evidence Anchoring）：每句结论必须精确对应到原始论文或指南的具体段落，不是笼统标注「引自某文献」

据 arXiv 论文（2606.08982v1）描述，这套方法的关键创新在于不把幻觉当后处理问题，而是把它嵌入训练目标本身。传统 RAG 是「先说再查」，M4 是「边说边验」。

关键洞察：3.3% 不是「比 3.8% 好一点」——在医疗场景，幻觉率每降低 1 个百分点，意味着每 1000 次诊断中少 10 次事实性错误。这是安全边际的质变。

评估一个医疗 AI 不能只看一个总分。M4 的技术报告揭示了四个核心维度，每个维度对应临床诊疗的一个关键环节：

维度一：深度问诊——像临床医生一样主动追问

通用模型的问诊模式是「你问我答」——患者说「胸口闷」，模型立刻给出「可能是心脏病」。但真实临床中，「胸口闷」可能是焦虑，也可能是心梗前兆，全靠一层层追问才能分辨。

M4 的做法是主动追问症状的性质与诱因，优先识别和排查危急重症。据百川智能介绍，一个真实案例中，用户深夜脚痛，M4 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——逐步缩小范围，怀疑急性痛风，建议前往风湿免疫科就诊。

为了量化这种能力，百川借鉴医学教育中的 OSCE（客观结构化临床考试） 方法，联合 150 多位一线医生构建了动态问诊评测体系 SCAN-bench。在这套评测中：

维度二：全病程记忆——记住一个人，不只是一次对话

通用模型的「记忆」通常限于当前对话窗口。一旦跨越较长时间，早期的检查结果、用过的药、出现过的反应就被遗忘。

M4 推出的「全病程记忆」打通了历史病历、多轮问诊、化验趋势与用药反馈。在长上下文临床记忆评测中，M4 取得 86.9 分，较上一代 M3 提升 21.1 分，为同类最高。

这意味着什么？意味着模型不再每次从零开始——它知道患者三个月前的血尿酸值、上周的用药反应、昨天的饮食变化。记得住只是基础，因人而异才是精准医疗的前提。

维度三：循证精度——每一句结论都有据可查

M4 首创的「证据锚定」要求模型生成的每一句医学结论，都精确对应到原始论文或指南中的具体段落。依托六源循证范式，模型只在权威医学来源中检索，不从开放网络抓取资料。

在此基础上，M4 把权威指南、专家共识与真实诊疗流程拆解为标准化临床路径单元——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：

90.0 vs 54.7——这不是小幅领先，而是断层式差距。

维度四：自主调度——Baichuan-Harness 智能体架构

问诊、记忆、循证彼此割裂，单项再强也拼不成一个能用的医疗系统。患者不会判断自己此刻该追问、查指南还是复盘病史。

承担这层编排的是百川面向医疗场景构建的 Baichuan-Harness——如果说 M 系列模型是医疗 Agent 的大脑，它就是调度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
• 面对文献检索、长病史梳理等繁重任务，拆分成子任务并行处理
• 每一步动作都在实时安全约束下完成——违规的工具调用、越权的数据访问会被当场拦下

M4 不是唯一的医疗 AI 玩家。2026 年，全球主要玩家的路线已经明显分化：

几个关键观察：

1. 百川 vs 平安：中国医疗 AI 的两条路线

平安医疗 LLM 3.5 在 2026 年 4 月曾以 HealthBench Hard 57.27 分排名全球第一。但 M4 在 6 月将这一格局彻底改写——不仅 Hard 子集大幅领先，综合分更是拉开 10+ 分差距。

更重要的是，两家路线完全不同：平安走的是保险+医疗闭环（用 AI 控费），百川走的是独立医疗 Agent（让 AI 直接看病）。M4 的 Baichuan-Harness 架构更像是一个「AI 全科医生」，而平安的模型更像是「保险公司的智能审核员」。

2. 百川 vs OpenAI/Anthropic：开源 vs 闭源的关键差异

M4 的前代 M3 以 Apache 2.0 开源，这意味着医疗机构可以本地部署——患者数据不出院。这在医疗场景中是刚需：中国《个人信息保护法》和《医疗健康数据安全指南》对患者数据的本地化存储有严格要求。

GPT-5.5 和 Claude Opus 4.7 虽然跑分也不错，但闭源 + 云端调用的模式在合规性上天然劣势。

3. 幻觉率的「同口径」对比才有意义

M4 的 3.3% 幻觉率是在 HealthBench 评测口径下的数据。需要注意：

• 同一评测中 GPT-5.5 为 3.8%——差距只有 0.5 个百分点
• 但在循证精度上，M4（90.0）vs GPT-5.5（54.7）的差距是35.3 分
• 这说明 M4 不仅「说错的少」，而且「说对的都能给出精确来源」

M4 的低幻觉率不是靠「后处理过滤」实现的，而是在训练阶段就把事实验证嵌入 RL 循环。这一方法在 arXiv 论文中有详细描述。

传统医疗 LLM 的幻觉问题

传统方法分两步：

1. 模型生成回答
2. 后处理模块检查事实性

问题在于：一旦模型已经「自信地说错了」，后处理很难纠正——因为模型自己不知道哪些声明是推测。

M4 的事实感知 RL

M4 的方法把事实验证嵌入训练循环的每一步：

训练循环：

1. 模型生成医学声明
2. 在线幻觉检测模块实时验证（对比权威医学证据）
3. 动态奖励聚合：任务奖励（回答是否正确）+ 事实奖励（声明是否有据可查），根据模型能力阶段自适应调整权重
4. 更新模型参数

关键创新点：

① 在线幻觉检测——不是等回答全部生成后再检查，而是逐句验证。这类似于编译器在代码编写时就报错，而不是编译时才发现问题。

② 动态奖励聚合——在训练早期，模型能力弱，事实约束权重低（让它先学会基本推理）；训练后期，事实约束权重升高（要求每句都有据可查）。这避免了「一开始就要求太严导致学不动」的问题。

③ 证据锚定输出——最终输出中，每个医学结论都标注到具体段落，不是「参考了 XX 指南」这种模糊引用。

# 事实感知强化学习 - 奖励计算伪代码
# 基于 arXiv:2606.08982v1 描述简化

def compute_reward(model_output, authoritative_evidence, training_stage):
    """
    model_output: 模型生成的医学声明
    authoritative_evidence: 权威医学证据库
    training_stage: 训练阶段（early/mid/late）
    """
    # 任务奖励：回答是否正确
    task_reward = evaluate_clinical_accuracy(model_output)
    
    # 事实奖励：每个声明是否有据可查
    claims = extract_atomic_claims(model_output)
    fact_rewards = []
    for claim in claims:
        evidence_match = verify_against_evidence(claim, authoritative_evidence)
        # 段落级匹配，不是文献级
        fact_rewards.append(evidence_match.precision_score)
    
    fact_reward = sum(fact_rewards) / len(fact_rewards)
    
    # 动态权重聚合
    alpha = get_stage_weight(training_stage)  # 早期 0.3 → 后期 0.8
    total_reward = (1 - alpha) * task_reward + alpha * fact_reward
    
    return total_reward

理解 M4 的技术选择，需要回溯百川在医疗 AI 领域的完整迭代路径：

关键转折点分析：

M2 → M3：从「会问诊」到「不说谎」

M2 的核心贡献是动态问诊能力——让模型学会像医生一样追问。但 M2 的幻觉率仍然较高（具体数据未公开，但论文提到 M3 的幻觉率「较 M2 降低一倍以上」）。

M3 引入事实感知 RL，把幻觉率从 M2 的水平降到 3.5%（M3 数据），同时 HealthBench Hard 从 34.7 跳到 44.4，超过 GPT-5.2-High。

M3 → M4：从「单次准确」到「连续可靠」

M3 的局限在于它仍然是一个「单轮问答模型」——每次对话独立，不记得之前的患者。M4 的突破是：

1. 全病程记忆：打通历史病历、化验趋势、用药反馈
2. Baichuan-Harness：把问诊/记忆/循证编排成自主调度的 Agent 系统
3. 临床路径单元：1000+ 个标准化路径，覆盖 200+ 疾病

这意味着 M4 不再是一个「回答问题的工具」，而是一个能持续跟踪患者状态的诊疗系统。

M4 的跑分无可争议，但医疗 AI 的真正挑战在落地。以下是三个必须面对的现实问题：

1. 合规与准入：医疗 AI 的「最后一公里」

在中国，医疗 AI 产品需要通过 NMPA（国家药品监督管理局）的三类医疗器械审批。截至目前，没有医疗 LLM 获得独立诊断资质的先例。

M4 目前的定位是辅助诊疗——给医生提供参考建议，最终决策权在人。这在合规上是最安全的路径，但也意味着它不能替代医生独立工作。

王小川（百川智能 CEO）在 2026 年初表示，百川预计 2027 年启动 IPO。医疗 AI 的监管框架在这之前可能会进一步明朗。

2. 数据隐私：本地部署 vs 云端调用

医疗数据是最敏感的个人数据之一。M4 的开源策略（Apache 2.0）允许医疗机构本地部署——患者数据不出院。

但本地部署意味着：

• 医院需要自建 GPU 集群（成本高昂）
• 模型更新需要手动同步（可能滞后）
• 多模态能力（X光、皮肤科影像）对硬件要求更高

3. 临床验证：从跑分到循证医学证据

HealthBench 是一个优秀的评测，但它不等于随机对照试验（RCT）。医疗 AI 要获得临床认可，最终需要：

• 多中心 RCT 证明其临床价值
• 明确的适应症范围和使用限制
• 持续的上市后监测

百川目前尚未公布 M4 的 RCT 计划。但从其「百小医」AI 家庭医生产品的落地节奏看，商业化路径正在推进。

4. 竞争格局：大厂不会缺席

• OpenAI 的 ChatGPT Health 已在消费级健康管理市场占位
• Anthropic 的 Claude for Healthcare 瞄准企业级医疗平台
• Google 的 Med-PaLM 系列有 DeepMind 的研究支撑
• 平安 有保险+医疗的闭环生态

M4 的优势在于开源 + 低幻觉率 + 连续诊疗能力的组合。但这个优势窗口不会永远敞开——大厂一旦投入资源，追赶速度可能很快。

基于 M4 的技术路线和行业格局，以下是我对 2026 年下半年到 2027 年初的五个判断：

判断一：「连续诊疗 Agent」将成为医疗 AI 的标准形态

M4 的 Baichuan-Harness 架构证明了一个重要命题：医疗 AI 不能只是单轮问答，必须能跨会话跟踪患者状态。预计 OpenAI、Anthropic 在 2026 年底前都会推出类似的连续诊疗能力。

这一判断的依据在于：一是慢病管理的需求爆发。中国有超过 4 亿慢病患者（高血压、糖尿病、慢阻肺等），需要长期、连续的用药管理和健康追踪。传统模式下，患者每 3-6 个月复诊一次，中间的用药依从性、症状变化等信息大量丢失。连续诊疗 Agent 可以填补这一空白，实现每日随访、异常预警、用药提醒等功能。二是技术成熟度达到临界点。全病程记忆、多模态感知、循证检索三大模块的整合，使得 AI 首次具备了「记住患者、理解病情、追踪变化」的能力。百川在百小医产品上的试点数据显示，使用连续诊疗功能的患者，用药依从性提升了 35%，复诊效率提升了 50%。

判断二：幻觉率将成为医疗 AI 采购的硬指标

3.3% 的幻觉率会成为一个标杆——医院在采购医疗 AI 时，会要求供应商提供同口径幻觉率数据。无法提供或幻觉率 >10% 的产品将被排除在候选名单之外。

这一趋势的背后是医疗责任的明确化。当 AI 给出的建议导致误诊时，责任归属需要清晰的法律界定。低幻觉率意味着更高的可追溯性和可解释性，这在医疗纠纷中是关键的合规保障。

判断三：开源医疗模型将占据中国市场主导

合规要求 + 数据隐私 → 本地部署是刚需。M4 如果以 Apache 2.0 开源，将在中国医疗市场获得显著先发优势。闭源模型（GPT-5.5、Claude）在合规性上天然劣势。

从政策层面看，国家卫健委在 2026 年初发布的《医疗人工智能应用管理办法（征求意见稿）》明确要求：涉及患者个人健康数据的 AI 系统，数据处理模块必须部署在医疗机构内部网络。这一规定直接利好支持本地化部署的开源方案。M4 的 235B 参数规模虽然对硬件要求较高（需要至少 4 张 A100 80G GPU），但百川已经在进行模型蒸馏，预计 Q3 推出 70B 版本，可在单台服务器上运行。

此外，开源生态的社区效应不可忽视。M3 开源后，已有超过 200 家医疗机构参与测试和反馈，形成了宝贵的临床数据飞轮。这种社区驱动的迭代速度，远超闭源模型的内部测试循环。

判断四：「证据锚定」将取代 RAG 成为医疗 AI 的标配

段落级证据锚定比传统 RAG 更严格、更可验证。预计 2027 年，主流医疗 AI 产品都会采用类似的段落级引用机制。单纯的「参考了 XX 文献」式引用将被视为不合格。

从技术实现看，证据锚定的核心挑战在于三个方面：一是权威医学知识库的构建和维护成本极高，需要持续跟踪最新指南和文献；二是段落级匹配的算法复杂度远超文档级检索，需要专门的医学 NLP 模型；三是实时性要求高，医生在问诊过程中需要毫秒级的证据检索响应。M4 的六源循证架构（指南、教材、文献、病例、药品说明书、专家共识）提供了一个可参考的框架，但其他厂商可能会发展出不同的证据组织方式。

从技术实现看，证据锚定的核心挑战在于三个方面：一是权威医学知识库的构建和维护成本极高，需要持续跟踪最新指南和文献；二是段落级匹配的算法复杂度远超文档级检索，需要专门的医学 NLP 模型；三是实时性要求高，医生在问诊过程中需要毫秒级的证据检索响应。M4 的六源循证架构（指南、教材、文献、病例、药品说明书、专家共识）提供了一个可参考的框架，但其他厂商可能会发展出不同的证据组织方式。

值得关注的是，证据锚定能力可能成为医疗 AI 认证的新标准。国家药监局在 2026 年下半年的征求意见稿中，已经开始讨论「可解释性」和「证据追溯」作为医疗 AI 产品的注册要求。这意味着，不能提供段落级证据的产品，可能无法通过三类医疗器械审批。

判断五：医疗 AI 的商业模式将从 SaaS 转向「诊疗即服务」

当前医疗 AI 主要卖 SaaS 许可（按科室/按医生数收费）。M4 的连续诊疗能力暗示了一种新模式：按诊疗次数收费——AI 像一个「虚拟全科医生」一样持续服务患者，医院按服务量付费。

这种模式的优势在于：

• 医院侧：降低固定成本，按实际使用付费
• 患者侧：获得持续性的健康管理服务，而非一次性诊断
• AI 厂商侧：收入与使用量挂钩，规模化效应更强

从商业数据看，医疗 AI 的市场规模正在快速增长。据 Frost & Sullivan 预测，中国医疗 AI 市场规模将在 2027 年达到 500 亿元人民币，年复合增长率超过 40%。其中，连续诊疗类服务的占比将从目前的不足 10% 提升到 30% 以上。

但商业模式转型也面临挑战：一是医保支付尚未覆盖 AI 诊疗服务，患者自费意愿有限；二是医生对 AI 辅助诊疗的接受度参差不齐，需要大量培训和教育工作；三是数据安全合规成本上升，特别是跨区域、跨机构的数据共享问题。

Baichuan-M4 的意义不在于「又拿了一个第一」，而在于它同时解决了医疗 AI 的三个核心难题：

1. 幻觉率 3.3% → 证明医疗场景可以做到「几乎不说谎」
2. 循证精度 90.0 → 证明每句结论都能追溯到具体段落
3. Baichuan-Harness → 证明医疗 AI 可以从「工具」进化为「连续诊疗 Agent」

但跑分第一只是起点。真正的考验是：

• 能否通过 NMPA 审批获得临床使用资质
• 能否在多中心 RCT 中证明临床价值
• 能否在真实诊疗场景中维持低幻觉率

从 M1 到 M4，百川用两年时间证明了技术路线的可行性。接下来的 12-18 个月，将决定这条路线能否真正走进诊室。

给不同角色的建议：

医疗 AI 的终局不是「AI 取代医生」，而是让优质诊疗资源不再稀缺。M4 迈出了重要一步，但路还很长。