文章图片
文章图片
MedResearcher-R1团队 投稿
量子位 | 公众号 QbitAI
不卷参数的专业模型 ， 会不会被通用大模型取代？
在医疗领域 ， 这个疑问正在被打破 。
蚂蚁集团联合研究团队发布的《MedResearcher-R1: Expert-Level Medical Deep Researcher》技术报告 ， 证明了一条关键路径：专业开源模型只要做好领域化设计 ， 有机会在垂直赛道上“以小博大” ， 反超通用大模型 。
团队发布的医学AI智能体MedResearcher-R1 ， 靠2100条（约2K规模）训练样本 ， 在权威医疗基准测试MedBrowseComp上 ， 将复杂医疗研究任务的准确回答数量提升至27.5 。
刷新该榜单纪录的同时 ， 超过o3、Gemini 2.5 Pro等领先通用大模型 ， 突破了此前25.5的业界准确回答“卡点” 。
让AI学会像医学专家那样思考 研究背景现在 ， 基于大语言模型 (LLM) 的Agent已展现出跨越多个领域的卓越能力 。
例如深度研究系统在复杂信息搜索和合成任务中就展现了高性能 。 但它们在医疗等专业领域容易出现不同程度的“水土不服” ， 面对复杂医疗查询时也常“掉链子” ， 核心问题就两个：
缺“专业储备”：通用模型没有密集的医疗知识 ， 面对罕见病、多病症关联等场景 ， 支撑不了临床推理； 缺“精准工具”：依赖公开网页搜索的通用工具 ， 要么找不到权威医疗数据 ， 要么被错误信息干扰 ， 无法保障推理严谨性 。而MedResearcher-R1的突破源于数据、工具、训练方法三大核心创新 。
据此 ， 蚂蚁团队提出了知识指引下的轨迹合成框架（KISA） ， 在12个医学专业领域生成了2100多条不同的轨迹 ， 每条轨迹平均与4.2个工具交互 ， 为构建“专家级AI医疗研究员”提供了全新范式 。
三大核心技术：不堆参数 ， 只做 “精准突破”MedResearcher-R1没有走“堆参数、喂海量数据”的老路 ， 而是从“让AI学会像医学专家那样思考”出发 ， 做了三个关键设计：
1. 主动 “造难题”：从3000万文献里炼出“4.2步推理题”
传统AI训练靠“啃现成数据” ， 而MedResearcher-R1学会了“自己造题” ， 尤其是医疗领域的“高难度研究型问题” 。
研究团队先从超过3000万篇医学文献中 ， 筛选出罕见病、特殊药理机制等“冷门但关键”的医学实体 ， 再围绕这些实体搭建知识图谱 。
最核心的一步是：从知识图谱里提取“最长推理路径”——比如“罕见遗传病→关联基因→靶向药物→代谢副作用”的多环节链条 ， 最终生成需要平均调用4.2次工具才能解决的复杂问题 。
这意味着AI训练时学的不是“翻书查答案” ， 而是“拆解问题、逐步验证”的专家级思维 ， 比如面对“某罕见心脏病的用药副作用” ， 它会主动追溯药物机制、临床数据 ， 而非直接套模板回答 。
2. 专属“工具箱”：不囿于公开搜索 ， 直连权威医疗数据源
通用领域Deep Research Agent的“软肋”之一 ， 是只能依赖公开网页搜索 。
在医疗场景里 ， 未经筛选的网络公开检索信息不仅可能过时 ， 还可能混杂非临床级数据 。
MedResearcher-R1直接配备了私有化部署的医疗专用工具集：通过直接访问国际医疗指南、核心医学期刊等一手权威信源 ， 尽可能从根源上避免“信息噪音” 。
比如在回答“某药物成分”时 ， 它会直接调取官方药品注册数据 ， 而非依赖可能出错的公开科普；验证“药物副作用”时 ， 会对接临床验证结果 ， 确保每一步推理都有权威依据 。
3. 不教“背诵”教“思考”：「蒙版轨迹引导（Masked Trajectory Guidance）」技术“逼”出AI的自主能力
怕AI“死记硬背”？MedResearcher-R1的训练方法直接改道而行 。
研究团队用了一种“蒙版轨迹引导（Masked Trajectory Guidance）”技术：训练时只给 AI一个“推理框架”（比如“疾病→药物→副作用”的逻辑链） ， 但隐藏关键实体信息（比如具体疾病名称、药物成分） 。
这就逼着AI必须主动调用工具：查疾病指南确认病症、搜药品数据库匹配成分、验临床数据验证副作用 ， 最终自己“拼出”完整推理链 。
这种训练不是“喂答案” ， 而是“教方法”——最终提升了小模型的泛化能力 ， 在面对没见过的新医疗问题 ， 也能像人类研究员一样自主拆解、验证 。
举个具体例子：当被问及“某药物的活性成分（需满足质数剂量、受体拮抗机制等多条件）”时 ， 通用AI通常会根据各种公开信息进行全面整理给出不同答案；
而MedResearcher-R1会先查企业史锁定药企 ， 再调取药物信息 ， 接着验证成分的化学结构与受体机制 ， 最后确认副作用 ——整套流程复刻人类医学研究员的工作逻辑 ， 最终给出具体药物名称 。
既要追求专业 ， 还要“不偏科”更值得注意的是 ， 蚂蚁还在攻克其专业模型的 “通用研究能力”提升 ， 试图打破“专业模型只能干一行”的刻板印象 。
从GAIA、xBench等通用AI助手基准测试结果来看 ， MedResearcher-R1的表现也保持业界前列 ， 初步验证小规模模型可以同时兼具“领域深度”和“通用广度” ， 避免因为“专精医疗”而变成“偏科生” 。
MedResearcher-R1等专业模型发展的意义 ， 不在于一次次测试结果 ， 而是验证另一种可能性：在医疗、法律、工业等专业领域 ， “参数规模”不是唯一解药 ， “Agentic Data”才是破局关键——通过精准的数据源搭建、专用工具开发、创新训练方法 ， 小规模模型有机会能啃下硬骨头 。
在容错率极低的医疗领域 ， 专业模型仍然需要不断提升可解释性、合规性等 ， 这也是行业未来面临的共同挑战 。
目前 ， 研究团队已宣布将MedResearcher-R1的代码和数据集开源 ， 希望在推动全球研究者在该领域的协同创新 ， 加速开发能够辅助人类专家、提升医疗研究效率与质量的下一代AI工具 。
感兴趣的朋友可通过官网链接直接体验 。
官网链接：https://chat.antaq.com/报告地址：https://arxiv.org/abs/2508.14880
— 完 —
量子位 QbitAI · 头条号签约
【蚂蚁专用模型超越o3！仅用2K训练样本刷新医疗AI榜单纪录】关注我们 ， 第一时间获知前沿科技动态
推荐阅读
- 万亿蚂蚁帝国的芯片版图
- 当全世界向云端大模型狂奔，苹果选择回归设备
- DeepSeek等大模型集体“打标”，从此告别AI造假？
- 大模型开始打王者荣耀了
- 2025蚂蚁电竞全球首款750Hz显示器重磅亮相
- 手机内存也有“公摊”，谷歌新机搞了个“AI专用”
- 苹果最新模型，5年前的iPhone能跑
- 4000个模型和500家独角兽，AI竞争新面孔背后
- 又一国产多模态大模型开源，复杂声音一耳朵分辨，多测试SOTA，还能聊哲学
- Grok代码模型来了：限时免费用，速度超级快