百川智能由前搜狗CEO王小川和茹立云于2023年4月10日联合创立，专注于研发通用人工智能基础大模型及上层应用，核心团队由来自搜狗、百度、华为、微软、字节、腾讯等企业的顶尖AI人才组成。公司成立以来，以月度为单位相继推出14款大模型，涵盖开源、闭源、学术科研、国产算力等多个维度。
从版本谱系来看，百川智能已发展出以下主要版本线：
基础大模型系列（Baichuan 1 → Baichuan 4） ：Baichuan-7B（2023年6月15日）→ Baichuan-13B（2023年7月）→ Baichuan-53B（2023年8月8日）→ Baichuan 2系列（2023年9月6日）→ Baichuan 3（2024年1月29日）→ Baichuan 4（2024年5月22日）。这条主线是百川生态的核心骨架，从开源可商用的轻量模型逐步演进到超千亿参数的旗舰基座。
开源系列（Baichuan-7B/13B / Baichuan 2-7B/13B/53B） ：2023年6月15日发布的Baichuan-7B是国内首个开源可商用的大模型，基于Transformer结构，在约1.2万亿tokens上训练而成，参数70亿，支持中英双语，上下文窗口长度为4096。Baichuan-13B在Baichuan-7B基础上将参数量提升至130亿，在高质量语料上训练1.4万亿tokens，同等级别开源模型中训练数据最多，超LLaMA-13B 40%。Baichuan 2采用2.6万亿Tokens的高质量语料训练，在多个权威的中文、英文和多语言benchmark上取得同尺寸最佳效果。Baichuan2-13B-Base相比上一代13B模型，数学能力提升49%，代码能力提升46%，安全能力提升37%，逻辑推理能力提升25%，语义理解能力提升15%。
API服务系列（Baichuan3-Turbo / Baichuan4-Turbo / Baichuan4-Air） ：百川智能开放了Baichuan 4、Baichuan3-Turbo、Baichuan3-Turbo-128k、Assistant API四款API，覆盖旗舰、轻量、长文本等不同性能层级。
医疗专项系列（Baichuan-M系列） ：Baichuan-M1-preview / Baichuan-M1-14B（2025年1月24日）→ Baichuan-M2（2025年8月开源）→ Baichuan-M2 Plus（2025年10月）→ Baichuan-M3（2026年1月开源）→ Baichuan-M3 Plus（2026年1月22日）→ Baichuan-M4（2026年6月）。这条线是百川智能在医疗领域深度布局的核心成果，从通用推理模型逐步演化为临床级医疗智能体系统。
第二部分：各版本详细对比与拆解
一、基础大模型主线核心对比
维度 Baichuan-7B/13B Baichuan 2 Baichuan 3 Baichuan 4
发布时间 2023年6月/7月 2023年9月 2024年1月 2024年5月
参数规模 70亿/130亿 70亿/130亿/530亿 超千亿 未公开
训练数据 1.2T/1.4T tokens 2.6T tokens 超千亿医疗Token数据集 多模态语料
上下文 4096 4096（Baichuan2-192K达192K） 支持长文本 32K
开源协议 免费可商用 免费可商用（含4bit量化） 未开源 未开源
核心定位 国内首个开源可商用 文理兼备全面领先 超千亿参数通用旗舰 多模态基座+AI助手
Baichuan 3在多个中文评测榜单上超越GPT-4，英文评测达到接近GPT-4的水平。为应对超千亿参数模型的训练挑战，百川智能提出了“动态数据选择”、“重要度保持”以及“异步CheckPoint存储”等创新技术手段。在训练效率方面，百川智能针对超千亿参数模型的并行训练问题进行了一系列优化，训练框架性能相比业界主流框架提升超过30%。在医疗数据集方面，百川智能在模型预训练阶段构建了超过千亿Token的医疗数据集，涵盖医学研究文献、真实电子病历资料、专业书籍和知识库资源。
Baichuan 4相较Baichuan 3在通用能力上提升超过10%，数学和代码能力分别提升14%和9%，还具备行业领先的多模态能力。在预训练阶段采用了基于Model-based+Human-based的协同数据筛选优化方法，以及对长文本建模位置编码科学的Scaling Law，有效提升了模型对数据的利用。
二、Baichuan 4 API服务层级对比
维度 Baichuan4 Baichuan4-Turbo Baichuan4-Air
定价（输入） ¥0.1/千tokens ¥0.015/千tokens ¥0.00098/千tokens
上下文 32K 32K 32K
定位 旗舰性能 速度与效果平衡 轻量低成本
适用场景 复杂推理、高质量生成 中等复杂度任务 大规模批量处理
Baichuan 4采用旗舰定位，定价为每千tokens 0.1元；Baichuan4-Turbo在速度与效果之间取得平衡，定价为每千tokens 0.015元；Baichuan4-Air面向轻量化部署和快速接入，定价低至每千tokens 0.00098元。三层定价覆盖了从复杂推理到大规模批量处理的不同业务需求。
三、医疗专项系列对比
维度 Baichuan-M1-14B Baichuan-M2 Plus Baichuan-M3 Baichuan-M4
发布时间 2025年1月 2025年10月 2026年1月 2026年6月
参数规模 14B 未公开 235B 未公开
开源状态 开源 未开源 开源 未开源
核心能力 医疗推理 循证增强推理 端到端严肃问诊 临床级医疗智能体
医疗幻觉率 — 较DeepSeek低约3倍 — 3.3%
HealthBench得分 — 60.1 — 68.6
Baichuan-M1-14B是行业首个开源的医疗增强大模型，医疗能力超越了更大参数量的Qwen2.5-72B，与o1-mini相差无几。其全场景版本Baichuan-M1-preview是国内首个同时具备语言、视觉和搜索三大领域推理能力的模型，在数学、代码等多个权威评测中表现均超越o1-preview。
Baichuan-M2 Plus是业内首个“循证增强”医疗大模型，在HealthBench评测中以60.1分超越所有开源模型及多数闭源模型，成为首个在HealthBench Hard任务突破32分的开源模型。其核心亮点在于首创的六源循证推理，医疗幻觉率较通用大模型显著降低，相比DeepSeek低约3倍，优于美国最火医疗产品OpenEvidence。
Baichuan-M4由百川智能与清华大学研究团队联合打造，在HealthBench上综合得分高达68.6，位列世界第一，领先第二名GPT-5.5超过10分；事实性幻觉率降至3.3%，为全行业最低。M4首创了“证据锚定”技术，让模型生成的每一句医学结论都能精确对应到原始论文或指南中的具体段落，循证引用精度达到90.0。
第三部分：为什么分这么多版本？
一、场景适配：从通用对话到医疗专业化的战略聚焦
百川智能的版本分化不是简单的参数缩放，而是一条清晰的战略演进路径。百川智能创始人王小川在清华大学“AI医疗新范式”学术论坛上给出了一个清晰的判断：通用大模型进入医疗场景，幻觉被包装成了确定性。医疗行业对大模型有三大刚性要求，但通用模型一条都不达标。正是基于这一判断，百川智能从2025年起将战略重心全面转向医疗领域，M系列每一代都在回答同一个问题：如何让模型像真正的医生一样主动追问、逐层逼近、给出有据可查的诊疗建议。
Baichuan基础系列管通用对话和内容生成，Baichuan-M1管医疗推理的从0到1，M2 Plus管循证增强，M3管端到端严肃问诊，M4管临床级连续照护。版本分化的本质是医疗AI能力在不同临床场景下的逐步深化。
二、开源分层：以开放构建生态信任
百川智能将Baichuan-7B/13B和Baichuan 2系列以免费可商用方式开源，Baichuan-M1-14B和Baichuan-M3也选择了开源路线。这一策略的核心价值在于：开源版本作为技术标杆吸引开发者构建应用生态，而旗舰版本通过API服务和“百小医”应用实现商业变现。
开源策略的商业回报已得到验证。百川智能在成立后短短3个月内，Baichuan-7B和Baichuan-13B两款开源大模型的下载量突破500万次，其中近一个月的下载量突破300万。开源不仅带来了开发者社区的信任，还为百川在企业级市场建立了技术公信力。百川智能于2024年7月完成A轮融资，总融资金额达50亿元人民币，投资方包括阿里巴巴、小米、腾讯等头部大厂及国资背景产业投资基金，A轮融资完成后估值已达200亿元。
三、医疗垂直深耕的技术壁垒构建
百川智能的医疗模型之所以能在HealthBench等权威评测中持续领先，根本原因在于其构建了一套从数据到推理的完整技术体系。百川自建了涵盖亿级条目的循证医学知识库，囊括国内外海量医学论文、权威指南、专家共识、疾病与症状解析、药品说明等专业医疗内容，并以天为单位进行动态更新。在推理层面，百川首创的“证据锚定”技术让模型生成的每一句医学结论都能精确对应到原始论文或指南中的具体段落，并依托六源循证范式，让模型只在权威医学来源中检索，不从开放网络抓取资料。
这一套从知识库建设、证据分级到临床路径标准化的技术体系，构成了百川在医疗AI领域的核心壁垒，也是其版本迭代能够持续在医疗专项能力上拉开差距的根本原因。
第四部分：最著名版本——Baichuan 2 本地部署实战
Baichuan 2是百川智能开源战略的奠基之作，以2.6万亿Tokens高质量语料训练，在多个权威中文、英文和多语言benchmark上取得同尺寸最佳效果，且免费可商用。以下为完整的本地部署步骤。
步骤一：环境准备与硬件规划
硬件配置基准：
Baichuan2-7B：单卡RTX 3090（24GB）即可运行，推荐RTX 4090
Baichuan2-13B：推荐单卡A100 40GB或双卡RTX 4090
4bit量化版：可在16GB显存的消费级显卡上运行
软件环境清单：
操作系统：Ubuntu 20.04/22.04 LTS
CUDA 11.7+，PyTorch 2.0+
Python 3.9+
Transformers 4.33+
步骤二：安装依赖环境
bash
# 创建虚拟环境
python3 -m venv baichuan_env
source baichuan_env/bin/activate
# 安装核心依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install transformers accelerate sentencepiece
pip install bitsandbytes # 4bit量化支持
步骤三：下载模型权重
bash
# 从Hugging Face下载Baichuan2-7B-Chat
huggingface-cli download baichuan-inc/Baichuan2-7B-Chat \
--local-dir ./Baichuan2-7B-Chat
# 或从ModelScope下载（国内用户推荐）
pip install modelscope
modelscope download --model baichuan-inc/Baichuan2-7B-Chat \
--local_dir ./Baichuan2-7B-Chat
步骤四：模型加载与推理
python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
# 加载模型（4bit量化）
model = AutoModelForCausalLM.from_pretrained(
"./Baichuan2-7B-Chat",
torch_dtype=torch.float16,
device_map="auto",
trust_remote_code=True,
load_in_4bit=True # 4bit量化，降低显存需求
)
tokenizer = AutoTokenizer.from_pretrained(
"./Baichuan2-7B-Chat",
trust_remote_code=True
)
# 推理测试
messages = [{"role": "user", "content": "请解释Transformer架构中自注意力机制的原理"}]
response = model.chat(tokenizer, messages)
print(response)
步骤五：启动OpenAI兼容API服务
bash
# 使用FastChat启动API服务
pip install fschat[model_worker,webui]
python -m fastchat.serve.controller &
python -m fastchat.serve.model_worker \
--model-path ./Baichuan2-7B-Chat \
--model-names baichuan2-7b-chat \
--controller http://localhost:21001 &
python -m fastchat.serve.openai_api_server \
--host 0.0.0.0 --port 8000 &
步骤六：API调用与测试
python
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="EMPTY"
)
response = client.chat.completions.create(
model="baichuan2-7b-chat",
messages=[
{"role": "user", "content": "请用Python实现一个快速排序算法"}
],
temperature=0.7,
max_tokens=2048
)
print(response.choices[0].message.content)
步骤七：监控与调优
关键指标监控：
显存占用：Baichuan2-7B FP16约14GB，4bit量化约5GB
推理速度：7B模型单卡4090约30-50 tokens/s，13B约15-25 tokens/s
GPU利用率：目标>80%
降本策略：对简单问答和批量文本处理，建议使用Baichuan2-7B-Chat或4bit量化版本；对复杂推理和长文本任务，使用Baichuan2-13B-Chat或Baichuan2-53B。
第五部分：不同版本的实践成果
案例一：百小医AI家庭医生（基于Baichuan-M4）
2026年5月22日，百川智能在清华大学“AI医疗新范式”学术论坛上正式展示了新一代医疗大模型Baichuan-M4与AI家庭医生“百小医”。百小医是一款完整覆盖全病程管理的AI家庭医生，不仅能帮助患者明明白白看医生，还能主动管理全家人的健康：APP承接每次就医前后的症状问诊、就医准备、病情分析和医嘱解读；微信端则延伸到用户的日常生活，持续提供主动健康管理和后续的随访。
实践成效：以现场展示的用户“张强”为例，当其深夜突发脚趾剧痛后，百小医通过10轮追问，排除运动损伤，精准锁定急性痛风方向，建议挂风湿免疫科就诊；问诊卡同时生成一份给患者的就医须知和一份给医生的病史时间线。到院后，医生二次问询确诊。回家后，AI再将“血尿酸 542 微摩尔/升”解释成患者能理解的话，逐条拆解处方，并结合生活习惯给出可执行建议。百川智能团队进行测评后发现，问诊准确度每提升2%，诊疗结果准确度就会提升1%。同时，Baichuan-M4与国家癌症中心、中国医学科学院肿瘤医院联合共建的肿瘤专科AI，以及与国家儿童医学中心、北京儿童医院联合共建的AI儿科医生，均已在真实临床场景中开展验证。
案例二：Baichuan 4多模态能力与百小应AI助手
2024年5月22日，百川智能发布最新一代基座大模型Baichuan 4，并推出成立之后的首款AI助手“百小应”。Baichuan 4相较Baichuan 3在各项能力上均有极大提升，其中通用能力提升超过10%，数学和代码能力分别提升14%和9%。在Baichuan 4强大能力的基础上，百川智能将搜索技术与大模型深度融合，推出懂搜索、会提问的AI助手“百小应”。百小应不仅可以随时回答用户提出的各种问题，速读文件、整理资料、辅助创作等，还具备多轮搜索、定向搜索等搜索能力。
实践成效：百小应在搜索结果呈现方面将搜索结果作为观点、论据直接应用到问答结果中，能够将搜索结果以表格等结构化形式呈现，优化信息布局，便于用户快速定位、解读所需信息，可以为行业分析、调研工作提供助力。搜索结果中增加了来源参考，用户只需点击引用角标即可快速校验搜索结果。百小应已在Web端及移动端各大应用商店同步上线。Baichuan 4同时开放了Baichuan 4、Baichuan3-Turbo、Baichuan3-Turbo-128k、Assistant API四款API，所有开发者、企业用户均可登录百川智能开发者中心选择并接入相应API。
案例三：Baichuan-M3开源医疗大模型与端到端严肃问诊
2026年1月13日，百川智能宣布开源新一代医疗大模型Baichuan-M3，该模型具有强推理、低幻觉和端到端的严肃问诊能力，能像医生一样主动追问、逐层逼近，把关键病史和风险信号问出来，进而在完整的信息上进行深度诊断，能力超越GPT-5.2。Baichuan-M3采用四层架构设计：多模态输入层支持文本、语音、医学影像等多模态输入，知识融合层通过关联分析器实现多模态知识融合，输出控制层采用双阶段生成策略，推理阶段需要至少32GB显存的GPU支持。其核心创新在于通过SCAN原则重构问诊流程，并基于多模态知识融合与动态推理机制实现医疗场景的精准适配。
实践成效：Baichuan-M3的开源策略使其成为医疗AI领域的重要基础设施。行业首个开源医疗增强大模型Baichuan-M1-14B的医疗能力已超越更大参数量的Qwen2.5-72B，与o1-mini相差无几。Baichuan-M3在此基础上进一步大幅提升，使得中小型医疗机构、医学研究机构和个人开发者均可在自有硬件上部署具备临床级问诊能力的医疗大模型。这一开源路径显著降低了医疗AI的技术门槛，推动了AI医疗从头部三甲医院向基层医疗机构的辐射覆盖。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。