精选今天0 投票
Cura 1T：专为智能医疗打造的专用模型
医疗领域涵盖高风险沟通、专家推理和工作流执行，但能同时覆盖这些场景的专用大语言模型仍然稀缺。近日，actAVA AI 团队在 arXiv 上发布了 Cura 1T，一个通过“人类引导的自我进化循环”训练的医疗专用 LLM，旨在统一处理患者咨询、图文临床推理、交互式诊断以及电子健康记录（EHR）工具调用等任务。
核心挑战：多任务冲突
通用大模型在医疗场景中常表现出“偏科”问题：一个任务的优化可能损害另一个任务的表现。例如，强化患者咨询能力可能导致临床推理准确率下降。Cura 1T 的设计目标正是解决这种多任务间的权衡困境。
创新训练方法：人类引导的自我进化
Cura 1T 的训练采用了一种名为“人类引导的自我进化循环”的机制。每一轮进化包含四个步骤：
- 规划：训练代理根据当前能力短板，规划下一轮要强化的目标能力。
- 训练：针对目标能力，使用合成数据和精选数据对模型进行训练。
- 评估：在多个基准轨迹上评估模型表现，识别失败模式。
- 精炼：根据观察到的失败，调整数据混合策略，生成更有针对性的训练样本。
这种数据驱动的循环不是简单地塞入更多医疗数据，而是通过“从失败中学习”的方式逐步提升模型在关键任务上的表现，同时保持其他能力的稳定。
性能表现：多领域领先
在医疗评估套件中，Cura 1T 在所有前沿基线中排名第一或并列第一。更重要的是，它在 域外推理 和 智能体基准测试 上也保持了竞争力，表明其通用能力并未因医疗专业化而严重退化。这打破了“专用模型必然牺牲通用性”的传统认知。
行业意义
医疗 AI 落地长期面临“高精度 vs 广覆盖”的矛盾。Cura 1T 的自我进化框架提供了一种新思路：通过精细化的数据混合和迭代优化，可以在不牺牲通用能力的前提下实现领域专用。这对于电子病历系统、临床决策支持、远程问诊等场景具有直接应用价值。
目前，Cura 1T 的模型权重、文档和代码已公开，研究者和开发者可以基于此进一步开发或定制医疗 AI 应用。