Baichuan-M2-32B 是百川智能推出的医疗增强推理模型，这是百川开源发布的第二个医疗增强模型，专为真实世界的医疗推理任务设计。该模型基于 Qwen2.5-32B 基座，通过创新的大型验证器系统（Large Verifier System）从真实世界的医疗问题出发，进行医疗领域后训练对齐，在保持模型通用能力的同时，实现了医疗效果的突破性提升。
模型特点：
Baichuan-M2 采用了三个核心技术创新：首先通过大型验证器系统，结合医疗场景特点设计了全面的医疗验证体系，包含患者模拟器和多维度验证机制；其次通过医疗领域适应性增强的中期训练（Mid-Training），在保持通用能力的同时实现轻量高效的医疗领域适应；最后采用多阶段强化学习策略，将复杂的 RL 任务分解为层次化的训练阶段，逐步提升模型的医学常识、推理和患者交互能力。
核心亮点：
- 🏆 全球最强医疗开源模型：在 HealthBench 评测集上超越所有开源模型及众多前沿闭源模型，是最接近 GPT-5 医疗能力的开源大模型
- 🧠 医生思维对齐：基于真实病例数据和患者模拟器训练，具备临床诊断思维和鲁棒的医患交互能力
- ⚡ 高效部署与推理：支持 4bit 量化在 RTX4090 单卡部署，MTP 版本单用户场景下 token 吞吐提升 58.5%
| 模型名称 | HealthBench | HealthBench-Hard | HealthBench-Consensus |
|---|---|---|---|
| Baichuan-M2 | 60.1 | 34.7 | 91.5 |
| gpt-oss-120b | 57.6 | 30 | 90 |
| Qwen3-235B-A22B-Thinking-2507 | 55.2 | 25.9 | 90.6 |
| Deepseek-R1-0528 | 53.6 | 22.6 | 91.5 |
| GLM-4.5 | 47.8 | 18.7 | 85.3 |
| Kimi-K2 | 43 | 10.7 | 90.9 |
| gpt-oss-20b | 42.5 | 10.8 | 82.6 |
| 评测集 | Baichuan-M2-32B | Qwen3-32B (thinking) |
|---|---|---|
| AIME24 | 83.4 | 81.4 |
| AIME25 | 72.9 | 72.9 |
| Arena-Hard-v2.0 | 45.8 | 44.5 |
| CFBench | 77.6 | 75.7 |
| WritingBench | 8.56 | 7.90 |
备注：AIME 的 max_tokens 设为 64k，其他评测集设为 32k，temperature 统一为 0.6。
- 患者模拟器：基于真实病例构建的虚拟患者系统
- 多维度验证：医学准确性、回答完整性、追问感知等 8 个维度
- 动态评分：实时生成评分标准，适应复杂临床环境
- Mid-Training：医疗知识注入的同时保持通用能力
- 强化学习：多阶段 RL 策略优化
- 通专兼顾：精心配比的医疗、通用与数学领域复合数据
# 1. load model
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("baichuan-inc/Baichuan-M2-32B", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("baichuan-inc/Baichuan-M2-32B")
# 2. Input prompt text
prompt = "Got a big swelling after a bug bite. Need help reducing it."
# 3. Encode the input text for the model
messages = [
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
thinking_mode='on' # on/off/auto
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
# 4. Generate text
generated_ids = model.generate(
**model_inputs,
max_new_tokens=4096
)
output_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
][0]
# 5. parsing thinking content
try:
# rindex finding 151668 (</think>)
index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
index = 0
thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")
print("thinking content:", thinking_content)
print("content:", content)- 医疗免责声明：本模型仅供研究和参考，不能替代专业医疗诊断和治疗建议
- 适用场景：医学教育、健康咨询、临床辅助决策等
- 安全使用：建议在专业医疗人员指导下使用
本项目采用 Apache License 2.0 开源协议，欢迎研究和商业使用。
- 基础模型：Qwen2.5-32B
- 训练框架：verl
- 推理引擎：vLLM、SGLang
- 量化方法：AutoRound、GPTQ
感谢开源社区的贡献，我们将持续回馈社区，推动医疗 AI 技术发展。
让AI助力医疗，让健康触手可及
@misc{baichuan-m2,
title={Baichuan-M2: Scaling Medical Capability with Large Verifier System},
author={M2 Team and Chengfeng Dou and Chong Liu and Fan Yang and Fei Li and Jiyuan Jia and Mingyang Chen and Qiang Ju and Shuai Wang and Shunya Dang and Tianpeng Li and Xiangrong Zeng and Yijie Zhou, et al.},
year={2025},
eprint={2509.02208},
archivePrefix={arXiv},
primaryClass={cs.LG},
url={https://arxiv.org/abs/2509.02208},
}
