医疗世界模型，辅助AI理解动态变化的诊疗世界｜云知声大模型首席科学家刘升平出席CHIP 2026分享精彩观点
当AI能够深入代码仓库，协助开发者定位问题、修改代码并验证结果，这样的工作方式能为医疗大模型带来哪些启发？
10月30日至11月1日，第十二届中国健康信息处理大会（CHIP 2026）在大连举行。本届大会以“医疗健康：大模型与智能体”为主题，汇聚医疗人工智能领域的学者与临床专家，共同探讨大模型和智能体的技术发展与应用实践。
会上，云知声大模型首席科学家刘升平发表题为《云知声U2-Med：数据、训练与应用，赋能医疗、医保、医药创新发展》的演讲，围绕医疗大模型的训练方法与发展方向分享思考。
演讲中，刘升平从编码大模型入手，将软件开发中的问题修复与临床诊疗进行类比，并围绕真实病历数据、医疗世界模型和连续决策训练，分享了三点核心观点。
核心观点一：医疗大模型和编码大模型高度类似，都是关于复杂系统的诊断和修复
在软件开发中，一个问题的解决，往往从开发者提交Issue开始。
面对一条问题描述，编码大模型需要结合代码仓库中的上下文，分析相关文件、排查运行日志，寻找可能的原因，再提出代码修改方案。完成修改后，还需要通过测试验证问题是否得到解决，以及修改是否对其他功能产生影响。
这一过程，与患者从入院到出院的诊疗过程有相似之处。
患者入院时，医生首先了解主诉、症状和既往病史；随后通过检验检查收集证据，开展鉴别诊断，逐步明确病情。在制定并实施治疗方案后，医生还需要观察患者反应，结合复查结果调整后续安排。对于部分患者，出院之后的随访和长期健康管理仍在继续。
从发现问题，到收集信息、分析原因、采取行动，再到验证结果，编码与诊疗都需要在复杂背景下完成一系列相互关联的判断。
这一类比为医疗大模型的发展提供了启发。临床问题往往并不孤立，一项检查结果、一段既往病史或一次用药调整，都可能影响后续判断。医疗大模型需要结合患者的诊疗上下文，理解不同环节之间的联系，并根据新出现的证据更新建议。
同时，医疗决策涉及患者安全和个体差异，模型给出的建议还需要由医生结合临床证据审查。
核心观点二：没有经过海量病历数据训练过的医疗大模型无法真正应用于临床诊疗
医学教材、指南和文献，是医疗大模型学习医学知识的重要基础。但真实诊疗往往比标准化的医学问答更加复杂：同一种症状可能对应不同疾病，同一项检查结果也需要结合病史、用药情况和其他证据综合判断。
编码大模型可以从代码仓库中的问题记录、代码修改和测试结果中，学习处理真实工程问题。对医疗大模型而言，记录患者病情、诊疗行动和后续反馈的真实病历，同样是学习临床诊疗过程的重要数据。
一份病历的价值，不仅在于最终的诊断结论。从患者出现症状、接受检查，到医生形成判断、实施治疗，再到病情变化和后续随访，连续记录下来的信息，呈现了临床决策如何随着证据变化而展开。
将病历、检验检查、影像、生命体征和医嘱等信息按照时间顺序组织起来，并区分观察事实、医生判断、实际行动和后续反馈，有助于逐步还原患者的诊疗轨迹。
在不同时间点，医生掌握了哪些信息？采取了哪些行动？行动后又出现了怎样的结果？这些线索有助于模型理解临床判断与患者病情变化之间的联系，进一步学习真实诊疗过程。
核心观点三：医疗文本大模型和医疗世界模型协同训练才是未来
真实病历为医疗大模型学习临床经验提供了基础。如何让模型在不同情境中练习，并根据反馈持续改进？刘升平提出，可以通过医疗文本大模型与医疗世界模型协同训练，探索这一问题的解决路径。
围绕这一思路，云知声构建医疗世界模型U2-Med-World，并探索其与医疗大模型U2-Med的协同训练，让模型在学习医学知识的同时，进一步理解持续变化的诊疗过程。
两类模型在训练中各有侧重：U2-Med负责医学知识理解、病历解读与临床推理；U2-Med-World则关注患者状态如何随时间和临床行动发生变化，尝试模拟不同条件下可能出现的后续情境。
真实诊疗轨迹记录了已经发生的过程，是模型学习和验证的基础。在此基础上，U2-Med-World通过合成轨迹补充模拟情境，为U2-Med提供可交互的虚拟训练环境。
以问诊为例，U2-Med根据已知信息提出追问或检查建议，U2-Med-World模拟可能获得的患者回应或检查反馈，U2-Med再据此更新判断、选择下一步行动。通过多轮交互，模型能够在动态变化的情境中练习信息收集与临床推理。
医疗对话能力是这一过程的重要基础。在OpenAI推出的HealthBench医疗对话评测最新汇总结果中，U2-Med在HealthBench Full和HealthBench Hard两项评测中分别取得73.67分和61.07分，均位列本次参评模型第一，超过Baichuan-M4、Baichuan-M3、蚂蚁·安诊儿、GPT-6 Astra、GPT-6.1 Sol等参评模型。
在对话能力的基础上，医疗世界模型进一步引入患者状态变化与行动反馈，为模型在连续交互中学习信息收集和判断调整提供训练环境，推动医疗AI从单次回答向理解完整诊疗过程延伸。
多模型协同，赋能医疗业务场景
面向医疗、医保、医药领域的多样化需求，云知声构建了覆盖文本、文档、语音和影像的专业模型矩阵，包括三医大模型U2-Med、医疗信息抽取模型U2-OCR-Med、医疗影像模型U2-RadiMed等。
通过模型编排与知识增强，不同模型可协同支持病历生成与质控、医保审核、影像分析和患者服务等场景，推动AI能力融入医疗业务流程，为专业人员提供可复核的智能支持。
目前，相关模型服务已面向个人、开发者及组织开放。欢迎访问云知声MaaS平台，了解和体验：
云知声MaaS平台：https://maas.unisound.com/