百川智能推出Baichuan-M3 Plus医疗大模型，专为高可靠性医疗场景设计。该模型将“六源循证范式”融入训练与推理全流程，确保诊断建议、用药提示等均基于权威医学证据。其事实性幻觉率降至2.6%，相比GPT-5.2降低超30%，显著提升医疗AI的临床可信度。
百川智能发布Baichuan-M3Plus模型，在医疗问答准确性和可靠性上进一步提升，显著降低了幻觉率，刷新了行业纪录。
Anthropic公司商业化进程迅猛，其年化营收在半年内从40亿美元飙升至超90亿美元，实现翻倍增长。这主要得益于Claude大模型在企业级AI服务中的强劲需求，尤其是在金融、法律、医疗等高合规要求行业的成功落地，凸显了其在高端客户中的深度渗透。
阿里健康推出自研医学大模型“氢离子”，专为临床与科研医生设计，定位“医生版GPT”。该应用聚焦医学场景，核心优势在于大幅降低AI幻觉，确保回答有据可查、有源可溯，旨在解决行业痛点，提升医疗AI的专业可靠性。
百川智能开发的专为医疗场景优化的开源大语言模型，具备卓越的通用能力和医疗领域性能。
医疗领域先进的大型语言模型
医疗领域大型语言模型，用于高级医疗推理
先进的医疗领域大型语言模型
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$6
$24
Baidu
128
$2
$20
uaritm
Gemma-UA-Cardio 是两款专为乌克兰语心脏病学领域设计的专业大语言模型。它们基于 Google 的 Gemma 和 MedGemma 模型，经过两阶段微调（语言适配与领域专业化），能够以乌克兰语精准提供心血管医学信息、解答临床问题，是面向医疗专业人士的辅助工具。
dogeater1612
这是一个基于Google Gemma 2 9B模型微调的荷兰语患者模拟模型，专门为医疗教育场景设计。模型始终以固定的JSON结构响应，模拟一位刚做完手术正在康复的患者'玛丽亚'，支持护理专业学生在安全环境中锻炼沟通和临床推理能力。
openmed-community
基于Arcee的AFM-4.5B的轻量级医疗微调模型，采用三阶段训练方法（SFT→DPO→GRPO-CoT）进行优化，专门用于医疗教育和研究场景。
ReportAId
MedWhisper Large ITA是基于OpenAI Whisper Large v3 Turbo的领域适配变体，专门针对意大利语医疗语音识别进行了优化。该模型在精心挑选的意大利语门诊专科就诊录音集上使用LoRA技术进行微调，显著提升了医学术语和临床表达的识别准确率。
adityak74
MEDFIT-LLM-3B是一个专门针对医疗问答优化的语言模型，基于Meta的Llama-3.2-3B-Instruct进行微调。该模型通过LoRA技术在医疗数据集上训练，显著提升了医学领域理解和直接回答能力，适用于医疗聊天机器人、患者教育等应用场景。
arunimas1107
这是一个基于openai/gpt-oss-20b进行医疗领域微调的LoRA适配器模型，专门针对医疗问答、摘要生成和知识检索等任务进行了优化。该模型通过高效的参数微调技术保留了基础200亿参数模型的通用推理能力，同时增强了在医疗领域的表现。
tensorblock
这是一个基于Jarvis1111/DoctorAgent-RL-SFT-1k-Thinking模型的GGUF量化版本，专门针对医疗领域优化的英文文本生成模型。该模型经过强化学习和监督微调训练，具备医疗推理能力。
lastmass
MedGemma-GRPO是MEDGemma模型的微调版本，专为临床病例推理任务设计。该模型结合监督微调（SFT）和组相对策略优化（GRPO），旨在引导模型遵循逻辑诊断路径，在合成医疗案例数据集上训练，特别适用于复杂心血管、血栓和自身免疫性疾病的诊断推理。
这是一个基于MedGemma架构的法语医疗助手模型，专门针对法语医疗领域进行优化。模型提供GGUF量化格式，支持多种量化级别，适用于医疗咨询、症状分析、预防建议等法语医疗文本生成任务。
yasserrmd
MedScholar-1.5B是一个轻量级、经过指令对齐的医疗问答模型，基于Qwen2.5-1.5B-Instruct构建，使用MIRIAD-4.4M数据集中100万个示例进行微调，专门用于临床知识探索，但不能用于医疗诊断。
ekacare
专为印度医疗保健环境设计的视觉大语言模型，专门处理医疗记录相关任务，包括检验报告解析、电子处方解析、文档分类和个人身份信息提取。
fiqqy
这是一个基于MedGemma-4B-IT模型使用Unsloth框架进行微调的医疗领域大语言模型，训练速度提升2倍，专注于文本生成任务，支持英语语言处理。
ericrisco
医疗Gemma-3N是基于谷歌Gemma-3N-4B模型专门针对紧急医疗援助和离线医疗应用进行微调的版本。该模型在86,667个医疗问答对上进行训练，专注于提供准确的急救指导和医疗咨询，特别适用于网络连接有限的紧急情况。
OpenMed
这是一款专门用于疾病实体识别的Transformer模型，基于xlm-roberta-base架构，在NCBI疾病数据集上微调而成。该模型能够准确识别生物医学文本中的疾病实体，支持B-Disease和I-Disease两种实体类型识别，为企业级医疗应用提供高精度实体提取能力。
这是一款专门用于临床实体识别的专业模型，专注于慢性淋巴细胞白血病相关的生物医学实体识别。该模型基于multilingual-e5-large-instruct架构，在精心策划的CLL数据集上训练，能够从医疗文本中精准提取生物医学实体，具有高精度和领域特异性。
一款专门用于化学实体识别的模型，能从生物医学文本中精准识别和提取相关实体，在药物发现、医疗数据分析等领域具有重要价值。
bartowski
这是Google medgemma - 27b - it模型的Llamacpp imatrix量化版本，主要应用于医疗领域的图像-文本转换任务。
ShahzaibAli-1
基于FLAN-T5架构微调的情感分析模型，专门用于医疗相关评论和通用文本的情感分类任务，可将文本分为积极、中性和消极三类情感。
Mungert
Lingshu-32B GGUF模型是适用于医疗领域的多模态大语言模型，支持多种医学影像模态，在医疗问答和报告生成任务上表现出色。
lingshu-medical-mllm
灵枢是医疗领域的SOTA多模态大语言模型，在医疗视觉问答和报告生成任务中表现卓越。
一个基于模型上下文协议(MCP)的服务器，提供美国国家综合癌症网络(NCCN)临床指南的访问服务。该系统通过直接读取指南PDF内容而非使用RAG技术，确保医疗指导的准确性和可靠性。
MedixHub MCP服务器是一个基于JavaScript的模型上下文协议服务，集成了医疗健康API访问功能，提供标准化函数执行、参数验证和LLM集成，支持OpenTarget、FDA药品标签和Monarch数据库等多种医疗数据查询。
医疗MCP服务器是一个基于模型上下文协议（MCP）的专用服务器，为AI助手提供医疗数据和医学信息工具访问能力，包括药品信息查询、医学文献检索、健康主题获取等功能。
FHIR MCP Server 是一个基于 FastMCP 框架的医疗数据管理服务器，提供完整的模型上下文协议（MCP）实现，支持 LLM 代理与 FHIR 兼容后端的交互。它提供标准化的接口，支持对 FHIR 资源的全面 CRUD 操作，并通过一系列工具实现智能文档处理和语义搜索。
DS Core MCP服务器项目是一个基于DS Core开放API平台的医疗数据集成工具集，包含四个独立的MCP服务器，分别用于患者管理、文档管理、DICOM影像管理和数字印模管理，使大型语言模型能够安全便捷地访问医疗数据和服务。
OMCP是一个基于OMOP通用数据模型的MCP服务器实现，为AI模型提供标准化接口来查询和分析医疗数据。
该项目实现了一个完整的模型上下文协议(MCP)服务器，用于与Medplum FHIR服务器交互，提供33种FHIR资源管理工具，支持通过自然语言命令进行医疗数据管理。
该项目是关于自动化医疗编码的研究，提供了在MIMIC-III和MIMIC-IV数据集上训练和评估医疗编码模型的代码，包括多种模型的实现和新数据集的划分。
Theta Health MCP Server是一个通过模型上下文协议(MCP)将健康数据连接到AI助手的服务，支持医疗记录、功能检查、设备数据等健康数据的查询和管理。
SafetensorsEnglish%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
