公司战略与定位 - 公司明确聚焦于医疗AI赛道，不再分散精力于金融、娱乐等其他领域，旨在深耕一条主线 [1][22] - 公司自成立之初即确立长期目标：未来二十年致力于生命科学与医学发展，核心路径是构建生命健康数学模型 [2][23] - 公司账上拥有约30亿元人民币资金，为在选定赛道进行持续投入提供了财务保障 [2][23] - 公司预计在2027年启动IPO上市 [3][23] 新产品发布与技术突破 - 公司发布并开源新一代医疗大模型Baichuan-M3 [2][23] - Baichuan-M3在OpenAI医疗AI评测HealthBench上以65.1分位列第一 [2][23] - 在不依赖外部工具的纯模型设置下，Baichuan-M3的医疗幻觉率降至3.5%，达到当前世界最低水平 [2][23] - 公司约80%的算力投入于强化学习相关训练，M3是该训练策略下的阶段性成果 [5][25] - 与去年5月发布的Baichuan-M2相比，M3的训练重心发生根本变化，核心是采用“fact-aware的强化学习” [7][26] 核心技术优势与创新 - 模型具备强大的推理能力、低幻觉率以及原生的端到端严肃问诊能力 [5][14][32] - 通过重新定义训练中的“错误”，惩罚看似合理但缺乏事实依据的输出，同时不压缩推理探索空间，以解决医疗幻觉问题 [9][10][27][28][29] - 关键技术调整包括：1) 采用动态迭代的“医生评价模型”，避免能力天花板；2) 在模型内部完成幻觉压制，保障问诊连续性；3) 改造算法以适配医疗长对话，保持目标一致性 [12][13][14][32] - 该能力与通过提示词让通用大模型扮演医生的方式有本质区别 [14][32] 产品规划与商业化路径 - 公司计划于今年上半年陆续发布两款面向消费者（to C）的医疗产品 [5][25] - 产品初期将免费开放，后续可按模块引入付费能力 [5][25] - 产品重点服务于患者的辅助决策与居家健康看护场景 [5][25] - 产品定位为“严肃医疗”，专注于“院外需求”，不会越界提供诊断或处方，主要功能是帮助用户理解信息、整理症状并明确下一步行动 [20][21][39][40] - 产品理念覆盖全病种，但明确将儿科和肿瘤作为首要重点，目前已与北京儿童医院和中国医学科学院肿瘤医院合作进行真实场景验证 [21][42] 市场洞察与发展逻辑 - 公司认为当前国内医疗存在四大结构性不足：医生数量不足、医患信息高度不对等、缺乏家庭医生体系、医学本身存在认知盲区 [16][34] - 公司相信未来的医疗增量主要不在医院内，医院更多承担执行功能，而影响患者路径的关键决策往往发生在更早的院外阶段 [20][21][38][39] - 公司旨在通过技术让普通人能够明明白白地看病，理解自身状况、医疗决策依据及后续选择 [17][18][19][34][35][36] - 公司认为医疗AI的成熟期将晚于通用大模型，预计还有一至两年时间 [3][23]

公司战略与定位 - 公司明确深耕医疗AI单一主线，不涉足金融、娱乐等其他领域[1] - 公司自成立起便确立长期目标：未来二十年致力于生命科学与医学发展，核心路径是构建生命健康数学模型[4] - 公司账上约有30亿元人民币资金，足以支持其在选定赛道持续投入[3] - 公司预计在2027年启动IPO上市[6] 产品与技术路线图 - 公司计划于今年上半年陆续发布两款面向消费者（to C）的医疗产品，初期免费，后续按模块引入付费能力，重点服务于患者辅助决策与居家健康看护场景[10] - 产品理念覆盖全病种，但明确将儿科和肿瘤作为第一步重点领域[31] - 公司已与北京儿童医院和中国医学科学院肿瘤医院合作，推进真实场景验证[32] - 公司强调其产品是“严肃医疗”，聚焦“院外需求”，不会越界提供诊断或处方，主要功能是帮助用户理解信息、整理症状并明确下一步行动[29] 新一代医疗大模型Baichuan-M3的核心能力 - 在OpenAI医疗AI评测HealthBench上，Baichuan-M3以65.1分位列第一[2] - 在不依赖工具或检索增强的纯模型设置下，其医疗幻觉率降至3.5%，达到当前世界最低水平[2] - 模型具备突出的端到端问诊能力，能保持问诊过程的连续性[9][22] - 公司强调其能力是“原生的、端到端的严肃问诊能力”，与通过提示词（prompt）让通用大模型扮演医生有本质区别[23] Baichuan-M3的关键技术创新 - 公司约80%的算力投入到强化学习相关训练，M3是该训练策略下的成果[8][12] - 训练核心采用“fact-aware的强化学习”，在训练阶段解决幻觉问题，而非依赖后期工具链兜底[13][14] - 重新定义训练中的“错误”：对看似合理但缺乏事实依据的医疗判断进行明确惩罚，同时不压缩模型在推理中的探索空间[15] - 实现三项关键算法调整：1) 使强化学习中的“医生评价模型”能随主模型迭代，避免能力天花板[20]；2) 在模型内部完成幻觉压制，无需依赖外部工具打断问诊[22]；3) 改造算法结构以适配医疗长对话，保持多轮对话中的目标一致性[23] 对行业与市场的判断 - 公司认为近期备受关注的AI大模型企业上市主要基于通用模型技术红利和政策支持，而医疗AI的成熟会晚一点，预计还有一两年时间[5] - 公司指出国内医疗存在四个结构性不足：医生数量与需求不匹配、医患信息高度不对等、缺乏家庭医生体系导致病人涌向三甲医院、医学本身存在认知盲区[25] - 公司相信未来真正的医疗增量不在医院内，医院更多承担执行功能，而影响患者路径的关键决策往往发生在更早的院外阶段[28][29] - 公司产品定位与市面上众多的泛健康医疗AI产品不同[11]