文 | 王强宇 在医疗 AI 领域，通用大语言模型虽凭借海量互联网数据训练具备广泛知识覆盖面，但在需高度专业判 断的临床场景中表现欠佳。当医生询问疾病鉴别诊断时，通用模型可能给出不准确甚至错误建议，这在 严肃的医疗决策中不可接受。 大家都知道监督微调（SFT）技术是解决上述难题性价比较比较高的方案之一，但SFT也需要具体一定 的条件：如高质的数据集，同时由于医疗数据的特殊性和复杂性，模型调优的过程可能非常耗时且难以 预测。同时SFT是一个迭代优化的过程，需要不断地对模型进行训练、评测和优化。 豆蔻妇科大模型的模型调优经历了两个关键优化阶段： 以下是豆蔻妇科大模型从第一个版本的准确率77.1%，通过进一步的SFT后，准确率达到90.2%我们团队 的一些方法和心得，供大家参考，欢迎留言讨论。 一、训练数据集的科学筛选（数据集构建与质量控制） 在对优质训练数据集的筛选过程中，我们实施了三个关键步骤： 第一是系统化数据清理，通过建立严格的质量控制标准，重点关注推理与结果的一致性检查，筛选出 answer与ground truth不一致的样本，特别是那些思考过程和输出结果不一致的情况，这类数据被视为低 质量数据。同时进 ...

豆蔻妇科大模型 - 钉钉企业专属AI平台成功训练出首个高准确度专业领域大模型"豆蔻妇科大模型"，诊断准确率达90.2% [1] - 该模型由壹生检康研发，基于开源大模型训练，初始版本准确率77.1%，经钉钉平台优化后提升至90.2% [2][3] - 模型功能覆盖主诊断、潜在诊断、检查建议、处置方案等全流程，响应时间从传统问诊30分钟缩短至数秒 [3] 行业应用价值 - 妇科大模型可缓解专业医生资源不足问题，尤其惠及职场女性和偏远地区用户 [2][3] - 模型落地标志着钉钉生态从SaaS/服务商扩展到AI创业者领域 [1][6] - 未来计划扩展至皮肤科等更多垂直医疗领域，提供居家健康指导 [4] 技术实现路径 - 钉钉提供全流程支持：数据标注、算力调度、模型调优等关键环节 [2][5] - 需解决数据安全、行业知识差异、工作流程定制等专业领域挑战 [5] - 采用"基础模型+行业数据"训练模式，实现从通用到专精的转化 [2][5] 钉钉生态战略 - 首个垂类大模型案例展示钉钉全链路行业大模型构建能力 [5] - 重构生态体系：新增AI创业者板块，开放平台支持开发者从零构建行业模型 [6] - 提供AI解决方案咨询、人才培训等配套服务，瞄准中小企业智能化需求 [6] 行业趋势 - 垂直行业大模型被视为AI技术落地下一个趋势，需解决行业特异性问题 [5] - 通用大模型(Qwen/DeepSeek/GPT)逐渐基础设施化，企业转向专属模型开发 [5]

AI行业竞争格局 - 大厂聚焦参数升级的"军备竞赛"，中小创业者深耕大厂无暇顾及的细分赛道[1] - 医疗行业被视为"数字化攻坚的最难阵地"，通用大模型难以满足其高准确性和严谨性需求[1] - 越来越多的AI企业意识到细分赛道重要性，加大垂直领域行业大模型投入[1] 医疗垂直大模型必要性 - AI在医疗场景应用需专业算法和高质量数据才能达到80分以上水平[1] - 通用大模型如医学生具备广泛医学认知但缺乏临床实战经验[1] - 垂直大模型需上万例临床实践和持续学习才能成为专家级诊疗能力[2] 公司实践案例 - 壹生检康专注女性健康3年，积累丰富行业经验和庞大用户群体[4] - 通用大模型存在"幻觉"问题，特定场景无法控制其自由发挥[4] - 公司选择32B参数模型在计算资源和回复效果间取得最佳平衡[5] 模型训练过程 - 第一轮使用1400例蒸馏数据训练准确率仅50%[5] - 第二轮经医生标注后准确率提升至60%[6] - 补充600例数据解决数据失衡问题，最终准确率达77.1%[6] 模型性能对比 - 豆蔻妇科大模型整体准确率77.1%，高出DeepSeek 7%[13] - 在下腹包块诊断中准确率优势达17.1%[14] - 在月经推迟诊断中更全面考虑激素类药物影响[15] 成本优化措施 - 仅使用一张英伟达4090 GPU进行训练[16] - 最终模型参数量仅为DeepSeek R1的1/20[17] - 选择INT8量化版本对准确率影响可忽略不计[17] 应用场景规划 - toC端解决女性健康问题描述困难和病耻感问题[17] - toB端赋能基层诊所和大健康机构弥补专业资源不足[18] - 模型设计带推理过程便于专业人员评估其正确性[18] 未来发展方向 - 强化学习可使模型从垂直领域拓展到全医学领域[19] - 强化学习让模型具备解决通用问题和泛化能力[19] - 目标使模型成为既优秀又全面的医生[19]