百川智能发布全场景深度思考模型Baichuan-M1-preview 已在百小应上线

百川公司宣布，其最新研发的Baichuan-M1系列模型正式面世，包括国内首个全场景深度思考模型Baichuan-M1-preview与行业首个开源医疗增强大模型Baichuan-M1-14B，两款模型均展现了卓越的性能与创新的技术特点。

Baichuan-M1-preview作为国内唯一同时具备语言、视觉和搜索三大领域推理能力的模型，其表现尤为亮眼。在数学、代码等多个权威评测中，Baichuan-M1-preview超越了包括o1-preview在内的多个竞品，展现出强大的深度思考能力。更令人瞩目的是，该模型解锁了“医疗循证模式”，通过引入海量可靠的医学知识库，实现了从证据检索到深度推理的完整端到端服务，能够快速、精准地回答医疗临床、科研问题。这一模式的推出，不仅为医生提供了强大的辅助工具，也极大地提升了普通用户对医疗信息的理解和管理能力。

与此同时，Baichuan-M1-14B作为Baichuan-M1-preview的小尺寸版本，其医疗能力同样不容小觑。该模型在多个权威医学知识和临床能力评测中，成绩超越了更大参数量的Qwen2.5-72B-Instruct，与o1-mini不相上下。百川公司为了提升Baichuan-M1-14B的医疗能力，进行了大量的数据收集、合成与模型训练工作，确保了模型能够学习到有价值且全面的医疗知识。

Baichuan-M1系列模型的发布，是百川公司在AI医疗领域的又一次重要突破。这两款模型不仅展现了百川公司在技术创新方面的实力，更为推动AI技术在医疗领域的广泛应用提供了有力支持。通过开源Baichuan-M1-14B，百川公司希望能够激发更多创新力量，共同推动中国医疗健康生态的持续进步，助力实现更公平、更高效的高质量医疗服务。

Baichuan-14B-M1

Baichuan-14B-M1 是百川智能从零开始开发的业界首个开源大语言模型，专门针对医疗场景进行了优化。 它不仅在通用能力方面表现出色，在医疗领域也有强大的性能。 在大多数通用基准评估中，它取得了与类似规模的模型相当的结果，而在医疗场景中，它的表现则超过了比它大五倍的模型。 以下是该模型的核心特点：

• 在 20 万亿字节的高质量医疗和通用数据上从头开始训练。
• 为 20 多个具有细粒度医疗专业知识的医疗科室提供专业建模。
• 引入创新模型架构，显著提高上下文理解能力和长序列任务性能。
• 提供 🤗 基础模型和 🤗 指导模型。

📊 基准结果

我们的评估涵盖了所有主流基准，在开源和闭源评估中都取得了优异的指标，展示了出色的医疗场景能力，同时保持了强大的一般性能。

Category	Benchmark	Baichuan-M1-14B-Instruct	Qwen2.5-14B-Instruct	Qwen2.5-72B-Instruct	claude-3.5-sonnet-20241022	gpt-4o
Average Score		72.23	65.39	70.51	74.85	75.00
Clinical Practice	cmbclin	77.40	71.51	75.36	78.37	75.36
	clinicalbench_diag	70.90	68.85	72.23	75.00	73.05
	clinicalbench_hos	70.05	68.83	70.53	65.58	69.38
	clinicalbench_treat	56.38	55.03	57.30	64.03	59.35
	rarearena_rdc	81.80	66.40	76.20	89.60	88.40
	rarearena_rds	54.00	42.60	49.80	59.80	57.20
	rarebench	59.60	52.80	60.60	65.30	62.80
Exams	cmexam	80.10	77.70	82.70	77.50	78.00
	Pediatric Qualification Exam	78.48	74.68	84.81	76.58	78.48
	Internal Medicine Qualification Exam	83.42	86.10	87.17	87.70	83.42
	General Practice Qualification Exam	87.07	88.44	88.44	81.63	84.35
	USMLE	78.00	67.20	76.70	85.90	87.10
	medbullets	66.88	54.22	64.29	72.40	75.97
	mediq	83.40	66.80	79.90	88.80	90.20
	nejmqa	49.75	45.69	50.76	69.54	54.31
	pubmedqa	75.20	76.40	75.60	77.00	77.60
	redisqa	74.50	69.70	75.00	83.20	82.80
Basic Capabilities	mednli_dis	80.40	68.90	74.90	58.30	79.80
	medcalc	56.00	31.40	37.90	52.60	49.00
	MMLU-anatomy	80.00	67.41	71.11	86.67	91.11
	MMLU-virology	54.82	56.02	53.01	54.22	57.23
	MMLU-genetics	91.00	82.00	87.00	97.00	95.00

代码

我们建议使用最新版本的 Transformers 库（至少 4.47.0）。 下面的代码片段演示了如何使用 Baichuan-M1-14B-Instruct 模型：

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
# 1. Load pre-trained model and tokenizer
model_name = "baichuan-inc/Baichuan-M1-14B-Instruct"  
tokenizer = AutoTokenizer.from_pretrained(model_name,trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name,trust_remote_code=True,torch_dtype = torch.bfloat16).cuda()
# 2. Input prompt text
prompt = "May I ask you some questions about medical knowledge?"

# 3. Encode the input text for the model
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 4. Generate text
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

# 5. Decode the generated text
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]


# 6. Output the result
print("Generated text:")
print(response)