中医大模型，开源！

团队围绕“望闻问切”的核心理念，结合医学专家的深厚知识、多模态技术的创新应用，以及多生理信号的精准计算，推进模型的精准化和智能化。

大模型BianQue（扁鹊）是一个专注于医疗对话的大型语言模型，下面来详细拆解它的设计逻辑与核心能力。

BianQue经过指令与多轮问询对话联合微调，目标非常明确：强化AI系统的问询能力，模拟医生问诊的过程。和那些“用户问一句就抢着给答案”的模型不同，扁鹊特别注重“问”的能力，试图更贴近真实医疗场景中的多轮问询。

模型基于ClueAI/ChatYuan-large-v2作为基准模型进行微调。整个微调过程在8张NVIDIA RTX 4090显卡上完成，使用了超过900万条样本的中文医疗问答指令与多轮问询对话混合数据集。一个epoch的微调花了大约16天——算力投入不小，但为了医疗场景的准确性，这笔账值得。

扁鹊的初衷就是模拟医生的多轮问诊过程，从而提供更准确、个性化的医疗建议。未来计划围绕“望闻问切”的中医诊疗方法，结合医学专家知识、多模态技术等进行多个版本的迭代研究，逐步提升在医疗领域的应用效果。

项目已经开源，便于医疗界、学术界、相关企业等科研力量共同推进模型的专业能力与创新应用。通过开源和协作，扁鹊期望成为推动医疗AI发展的重要力量。

自2023年4月首次发布以来，团队不断对模型进行迭代和优化，提升其性能和实用性。未来将继续围绕医疗领域的需求，推动模型的进一步发展和完善。

经过调研发现，在健康领域，用户通常不会在一轮交互当中清晰地描述自己的问题。而当前常见的开源医疗问答模型（例如ChatDoctor、本草/HuaTuo、DoctorGLM、MedicalGPT-zh）侧重于解决单轮用户描述问题，忽略了“用户描述可能存在不足”的情况。哪怕是ChatGPT，如果用户不强制要求一问一答，它也倾向于针对用户描述迅速给出建议和方案。但实际的医生与用户交谈，往往是“医生根据用户提出的描述进行持续多轮的询问”，最后才综合给出建议。我们把医生不断问询的过程定义为询问链（CoQ, Chain of Questioning）。当模型处于询问链阶段，它的下一个问题通常由对话上下文历史决定。

结合当前开源的中文医疗问答数据集（MedDialog-CN、IMCS-V2、CHIP-MDCFNPC、MedDG、cMedQA2、Chinese-medical-dialogue-data），分析其中的单轮/多轮特性以及医生问询特性，再结合实验室长期自建的生活空间健康对话大数据，最终构建了千万级别规模的健康大数据BianQueCorpus。对话数据通过“病人：xxx 医生：xxx 病人：xxx 医生：”的形式统一为一种指令格式，如下图所示。

input: "病人：六岁宝宝拉大便都是一个礼拜或者10天才一次正常吗，要去医院检查什么项目
医生：您好
病人：六岁宝宝拉大便都是一个礼拜或者10天才一次正常吗，要去医院检查什么项目
医生：宝宝之前大便什么样呢？多久一次呢
病人：一般都是一个礼拜，最近这几个月都是10多天
医生：大便干吗？
病人：每次10多天拉的很多
医生："
target: "成形还是不成形呢？孩子吃饭怎么样呢？"

训练数据当中大量目标文本为医生问询的内容而非仅限于建议，这有助于提升AI模型的问询能力。

扁鹊-2.0

基于扁鹊健康大数据BianQueCorpus，选择了ChatGLM-6B作为初始化模型，经过全量参数的指令微调训练得到了新一代BianQue【BianQue-2.0】。与扁鹊-1.0模型不同的是，扁鹊-2.0扩充了药品说明书指令、医学百科知识指令以及ChatGPT蒸馏指令等数据，强化了模型建议与知识能力。以下为两个测试样例。

• 例1：宝宝特别喜欢打嗝，是什么原因啊，该怎么预防啊

• 样例2：我外婆近来身体越来越差，带她去医院检查，医生说她得了肾静脉血栓，我们全家都很担心，医生开了不少疫苗用低分子量的肝素钙，我想问它的药理毒理？

声明：BianQue模型不能替代医疗专业人士的建议和诊断。用户在使用模型时，应保持理性判断，不应过分依赖或轻信模型的输出内容，更不能将其与专业医生的意见相提并论。健康事关重大，请用户谨慎对待。