海南
输入症状就能输出疾病结论，已经是医疗大模型的标配能力。眼下行业共识已经很清晰：单纯的知识库问答门槛快速走低，比拼的不再是“能不能看懂病”，而是能不能复刻真实临床里的连续决策逻辑——主动追问线索、根据反馈动态修正判断、预判病情演变。
在这条新赛道上，云知声依托医疗世界模型U2-Med-World打造的U2-Med，交出了一份颇具分量的评测答卷：在OpenAI牵头打造的HealthBench评测中拿下双榜第一，拉开医疗AI从单点应答走向连续诊疗的序幕。
单点问答的天花板，临床本质是动态博弈
市面上绝大多数医疗AI，本质上属于“应答型模型”。用户一次性抛出症状，模型检索医学知识，给出对应的解释和建议。但真实诊疗从来不是静态填空题。医生拿到一句主诉之后，需要持续追问、补充检查，在随访周期内根据指标变化、用药反馈持续调整方案。患者的状态一直在变化，证据是分批涌入的，一次性回答很难覆盖完整的诊疗链路。
U2-Med-World的核心，是“当前患者状态＋临床行动→患者下一状态”。它将病历、检验、对话、生命体征等碎片化、不同步的临床信息整合，形成对患者当下状态的量化估计，再模拟追问、检查、干预之后可能出现的状态变化。整套能力分为四层递进：患者状态表征、疾病动态建模、干预效果模拟、临床路径规划。模型会主动保留信息不确定性，不会把推演结果包装成确定性诊断。U2-Med-World承担模拟训练场的角色，U2-Med作为问诊智能体，二者协同，完成从回答问题到持续诊疗决策的跃迁。
虚实两条轨迹，搭建可推演的临床世界模型
想要让AI学会“行动之后会发生什么”，第一步是还原真实诊疗的完整链条。U2-Med-World以真实诊疗记录为基底，把散落于各类临床材料里的信息按时间轴对齐，构建标准化的“状态—行动—观察—状态更新”轨迹。在构建过程中，模型严格区分客观事实、医生主观判断、方案建议与实际执行结果，规避时序信息“穿越”带来的数据偏差，守住临床学习样本的严谨底线。
在真实轨迹之上，模型还可以生成合成诊疗分支。同一个初始主诉，优先排查急症风险、优先询问既往病史、优先收集伴随症状，会走向完全不一样的证据链。多路径模拟机制，方便横向对比不同问诊策略的收益，识别容易遗漏的关键线索。文章同时明确，合成轨迹仅用于模型训练与策略推演，不等同于真实临床疗效证据，是真实病例的有效补充。
虚拟患者闭环训练，淬炼主动问诊的内生能力
主动追问、风险识别、动态纠偏，是U2-Med区别于普通医疗问答模型的核心。这套能力，是在U2-Med-World搭建的虚拟问诊环境中反复打磨成型。环境负责控制病例信息逐步释放，U2-Med自主选择提问方向，接收反馈后更新证据池，判断何时触发风险提示、建议进一步检查。
系统清晰区分两类变化：问诊、检查只是扩充模型掌握的信息，治疗干预或是病程推进，才会改变患者本身的生理状态。依托RubricRL、OPD在线偏好蒸馏等技术，系统从医学准确性、信息完整度、风险识别、沟通质量等维度做精细化优化，形成完整迭代闭环：虚拟环境交互、轨迹评估筛选、模型后训练、独立评测验证。对比传统方案只优化单次输出，这套路线瞄准问诊效率、证据一致性与连续决策质量。
医疗AI的定位始终是临床辅助工具，它擅长挖掘隐藏线索、梳理问诊脉络、推演病情走向，但所有结论都必须经过执业医师审核把关。云知声这类模型的价值，不在于替代医生，而是把临床人员从机械的信息收集中解放出来，在复杂多变的诊疗场景，提供连贯、具备预判性的辅助支撑。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
