想象你是一家社区医院的院长。上级让你用 AI 辅助门诊，但商业医疗系统要按年收费，患者数据还得传到云端，你实在不敢签。这时候，三位 AI 实习医生站在门口：OpenBioLLM 是博士后，读过大量英文医学论文，知识渊博但体格庞大；Llama3-Med 是轻量级住院医，不占太多病房，擅长跟着老医生写病历；Apollo 是一个能屈能伸的医疗家族，从社区卫生站到三甲医院都能派上用场。你当然高兴，但很快发现：他们上过什么学校（底座模型）、吃过什么病历（训练数据）、考过什么试（评测基准）、劳动合同怎么签（许可证），直接决定谁能真正在你的医院干活。这篇指南带你把三份简历读透，学会开源医学大模型的选型与微调。

岗位关联

学会这三个开源医学大模型，你就能避开“下载即商用”的坑，在医院信息化、临床科研和医疗 AI 产品中完成从选型到微调的落地。

目录
  1. 可视化演示
  2. 背景与动机：病历成山，谁来帮顶
  3. OpenBioLLM：通晓大量英文文献的百亿级学霸
  4. Llama3-Med：轻量务实的中型全科医助
  5. Apollo：一个能屈能伸的多尺寸家族
  6. 规模与数据：力气和伙食谁更重要
  7. 评测基准：考试分数能代表临床能力吗
  8. 许可与合规：合同条款决定能走多远
  9. 选型与微调：上岗前的最后一课
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示OpenBioLLM、Llama3-Med与Apollo三大开源医学大模型在参数规模、训练数据、评测基准与许可证维度的对比。切换模式查看不同维度，拖动滑块调节对比粒度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三大医学大模型雷达对比 OpenBioLLM-Llama3-8B：8B参数，医学微调效果突出 Llama3-Med：基于Llama3架构，专注临床问答 Apollo：多语言医学模型，覆盖广泛语种 score = Σ(w_i × metric_i) / Σ(w_i) 雷达图直观展示各模型多维度综合能力

背景与动机：病历成山，谁来帮顶

医院里真正难的不是开药，而是把病历、检查报告、文献和随访记录变成能决策的信息。医生每天有大量时间花在读文书上，商业 AI 产品又贵又不敢把数据送出去。开源医学大模型像三位主动上门、不要预付款的实习医生，让医院可以先在本地试用，再决定要不要长期聘用。

从技术上看，语言模型要学的是“看到问题 x，生成答案 y”的能力。开源模型已经把通用语言能力预训练好，医学微调只是让它在医学文本上继续学习。训练目标可以写成“最小化标准答案的预测损失”：

回到医院场景：三位实习医生都有“基础医学知识”，但谁更擅长你的科室，还要看接下来的简历细节。

L(θ)=−1N∑i=1Nlog⁡Pθ(yi∣xi)\displaystyle \mathcal{L}(\theta)=-\frac{1}{N}\sum_{i=1}^{N}\log P_\theta(y_i|x_i)
通俗理解：模型每次答错一点就扣一点分，训练就是让总分越扣越少，回答越来越像医生。
  1. N 和 i 的含义N 是训练问答总数，i 表示当前正在看第几条样本，平均之后不会因为样本多而显得损失更大。
    i=1,2,…,N\displaystyle i=1,2,\dots,N
  2. 条件概率 Pθ(yi|xi)模型看到问题 xi 之后，生成标准答案 yi 的概率。概率越接近 1，说明模型越有把握。
    Pθ(yi∣xi)\displaystyle P_\theta(y_i|x_i)
  3. 负对数损失log 把概率的连乘变成连加，负号让“好模型”的损失值变小；最小化损失，就是最大化正确答案出现的概率。
    −log⁡Pθ(yi∣xi)\displaystyle -\log P_\theta(y_i|x_i)

OpenBioLLM：通晓大量英文文献的百亿级学霸

OpenBioLLM 的简历上最显眼的一行是“基于 Llama-3 70B 底座继续训练”。你可以把它想象成一位读过几万本英文医学期刊、病历和教材的博士后。它最擅长的是临床推理、疾病问答和治疗方案整理，适合处理科研文献综述这类“重脑力活”。

它通常是在通用大模型之上，用高质量医学指令数据做全参数微调。微调的数学本质，是找到一组让标准答案概率最大的参数：

这位博士后很强，但 70B 参数意味着吃显存、耗电、推理慢。如果你的科室只有一张普通显卡，可能需要先考虑轻量级的同事。

θ∗=arg⁡min⁡θ∑t=1T−log⁡Pθ(ot∣q,o<t)\displaystyle \theta^{*}=\arg\min_{\theta}\sum_{t=1}^{T}-\log P_\theta(o_t|q,o_{<t})
通俗理解：给模型一个问题 q，我们希望它把标准答案 o 里的每个词都按顺序说准；最终得到的 θ* 就是“最像带教老师”的那一套参数。
  1. 问题 q 和答案 o_tq 是医学问题，o_t 是标准答案中的第 t 个词，模型要逐词预测。
    ot∣q,o<t\displaystyle o_t|q,o_{<t}
  2. 条件概率 Pθ(o_t|q,o_{<t})看到问题 q 并且已经说出前 t-1 个词之后，下一个词是 o_t 的概率。
    Pθ(ot∣q,o<t)\displaystyle P_\theta(o_t|q,o_{<t})
  3. 求和与负号把所有词的损失加起来，负号让“说得越好”的模型分数越低。
    ∑t=1T−log⁡Pθ(ot∣q,o<t)\displaystyle \sum_{t=1}^{T}-\log P_\theta(o_t|q,o_{<t})
  4. argmin在全部参数空间里找出让总损失最小的那一组参数，就是微调得到的最终模型。
    θ∗=arg⁡min⁡θ\displaystyle \theta^{*}=\arg\min_{\theta}

Llama3-Med：轻量务实的中型全科医助

Llama3-Med 通常指基于 Llama-3 8B 微调得到的医学模型。8B 参数像一位不占太多病房的住院医，能完成医学问答、电子病历结构化、患者宣教等常见任务，也更适合在有限 GPU 上做私有化部署。

这类模型的常见训练策略是在医学数据之外，保留一部分通用数据，防止“偏科”。总损失可以看成医学任务和通用任务两部分的加权：

对大多数医院信息科来说，Llama3-Med 是最容易先落地的人选：显存门槛低、推理速度快，也方便用院内数据继续微调。

Ltotal=Lmedical+λLgeneral\displaystyle \mathcal{L}_{\mathrm{total}}=\mathcal{L}_{\mathrm{medical}}+\lambda \mathcal{L}_{\mathrm{general}}
通俗理解：医学课要多花时间，但通用语文也不能丢；λ 就像课程的权重系数，太小会偏科，太大会忘了医学。
  1. 医学任务损失 L_medical模型在病历、医学问答等数据上的损失，代表它是否学会了医学表达。
    Lmedical\displaystyle \mathcal{L}_{\mathrm{medical}}
  2. 通用任务损失 L_general在普通文本上的损失，用来维持模型原有的语言能力和常识。
    Lgeneral\displaystyle \mathcal{L}_{\mathrm{general}}
  3. 权重系数 λ控制通用数据占多少比例，通常取 0.1 到 0.5 之间的小数；λ 越大，模型越保守，越不容易丢掉通用能力。
    0<λ<1\displaystyle 0<\lambda<1

Apollo：一个能屈能伸的多尺寸家族

Apollo 不像单个医生，更像一个能按科室规模调人的医疗团队。它提供多种参数规格，从 2B 的小模型到 70B 的大模型都有，而且不少版本更强调多语言医学能力。你可以根据 GPU 显存选择：条件好就上大模型，条件紧张就用小模型先跑通流程。

模型训练有一个经验公式，用来估算训练时的计算量。训练总计算量约等于参数量的 6 倍乘以训练数据量：

Apollo 家族的价值在于“弹性”：先在小模型上验证流程，再决定是否升级到大模型，避免一上来就烧爆算力预算。

C≈6×N×D\displaystyle C \approx 6 \times N \times D
通俗理解：一个模型要长大成人，既要有“力气”（参数量 N），也要有“伙食”（训练数据 D）。力气大但不给够食物，模型反而学不好。
  1. C 表示总计算量可以粗略理解为训练时需要跑的浮点运算次数，C 越大，越依赖 GPU 集群。
    C\displaystyle C
  2. N 表示参数量模型里可学习的权重总数，通常以 B（10 亿）为单位。
    N\displaystyle N
  3. D 表示训练 token 数模型看过的文本总量。医学语料越充足、越干净，模型越能学会专业表达。
    D\displaystyle D
  4. 常数 6来自 Transformer 前向和反向传播的近似常数，不是精确物理常数，但方便估算成本。
    6×N×D\displaystyle 6 \times N \times D

规模与数据：力气和伙食谁更重要

把三位候选人放在一起看：OpenBioLLM 约 70B，Llama3-Med 约 8B，Apollo 从 2B 到 70B 都有。参数量决定它的“力气”，训练数据决定它的“知识品味”。

| 模型 | 常见参数量 | 训练数据风格 |

|---|---|---|

| OpenBioLLM | 70B | 英文医学论文、教材、临床问答 |

| Llama3-Med | 8B | 公开医学指令集与通用数据混合 |

| Apollo | 2B / 7B / 70B | 多语言医学文献、摘要与医疗语料 |

数据不是越多越好，脏数据会教坏模型。一条常见的数据清洗指标是困惑度（perplexity），它衡量文本是不是“像医生写的话”：

清洗目标是把聊天噪声、广告、重复文本和未脱敏个人信息筛掉，再交给模型训练。数据干净，微调才不会把 AI 教成“百度贴吧医学家”。

S(x)=1∣x∣∑j=1∣x∣log⁡P(xj∣x<j)\displaystyle S(x)=\frac{1}{|x|}\sum_{j=1}^{|x|}\log P(x_j|x_{<j})
通俗理解：给一段疑似病历打“专业分”。分数越低，说明这段文字越符合模型见过的医学语言习惯；高困惑度的句子往往夹杂乱码、口语或广告噪音。
  1. |x| 表示文本长度一段文本由多少个词或 token 组成，用来做平均，避免长文本天然分数更高。
    ∣x∣\displaystyle |x|
  2. P(x_j|x_{<j})模型看到当前位置之前的词后，预测当前位置 x_j 的概率。概率越高，说明这个词越不突兀。
    P(xj∣x<j)\displaystyle P(x_j|x_{<j})
  3. 取 log 再平均把每个位置的“惊讶程度”取对数后相加，再除以长度。结果越小，文本越接近模型熟悉的领域。
    S(x)<阈值⇒保留\displaystyle S(x)<\text{阈值} \Rightarrow \text{保留}

评测基准：考试分数能代表临床能力吗

选医生不能只看毕业证，还要看考试和实习表现。医学大模型常见的公开考试有 MedQA、PubMedQA、MedMCQA 等。MedQA 类似美国执业医师资格考试的题库，PubMedQA 则要求模型根据文献摘要回答是非题。

评测分数本身很简单，就是答对的题数除以总题数：

榜单分数高只说明它在公共题库上表现好，不代表在你医院的真实病历上也能赢。最稳妥的做法是拿一批院内脱敏数据做本地盲测，把“模拟考成绩”和“真实跟诊表现”分开看。

Acc=1M∑i=1MI(y^i=yi)×100%\displaystyle \text{Acc}=\frac{1}{M}\sum_{i=1}^{M}\mathbb{I}(\hat{y}_i=y_i)\times 100\%
通俗理解：正确率就像“模拟考正确率”。考得好说明基本功扎实，但真实病房里病人的表述千奇百怪，不能只看模拟考。
  1. M 表示评测样本数一共有 M 道题，每条样本都有模型预测 y_hat_i 和标准答案 y_i。
    i=1,2,…,M\displaystyle i=1,2,\dots,M
  2. 指示函数 I如果预测和标准答案一致，记 1 分；不一致记 0 分。
    I(y^i=yi)\displaystyle \mathbb{I}(\hat{y}_i=y_i)
  3. 累加后除以 M求出正确率，再乘 100% 转成百分数。
    ×100%\displaystyle \times 100\%

许可与合规：合同条款决定能走多远

开源模型不是“免费随便用”。许可证更像劳动合同，逐条写清楚你能否商用、能否改、能否再分发。即使模型权重免费下载，基座模型如果是 Llama-3，派生模型通常也要遵守 Llama 社区许可，商用前必须逐条核对。

许可链的合规判断可以抽象成一个逻辑公式：

除此之外，患者姓名、身份证号、影像原始文件都属于敏感数据，不能未经脱敏就送进模型训练。临床上还要守住红线：AI 只能做辅助，最后签名负责的必须是真正的医生。

Compliant=(Lbase∈P)∧(Lderived⊆Lbase)\displaystyle \text{Compliant}=(L_{\mathrm{base}}\in \mathcal{P})\land(L_{\mathrm{derived}}\subseteq L_{\mathrm{base}})
通俗理解：只有“底层模型允许商用”和“派生模型不超出底层许可范围”同时成立，你的劳动合同才算合法。
  1. L_base 表示基座模型许可比如 Llama-3 社区许可、Apache 2.0、MIT 等。
    Lbase\displaystyle L_{\mathrm{base}}
  2. P 表示允许目标场景的许可集合如果许可证不禁止商用，这个条件为真。
    Lbase∈P\displaystyle L_{\mathrm{base}}\in \mathcal{P}
  3. L_derived 表示微调后模型的许可根据基座许可和自己的新增内容确定。
    Lderived\displaystyle L_{\mathrm{derived}}
  4. 交集与子集关系前后两个条件必须同时成立；尤其是商用医疗场景，还要额外满足患者隐私法规。
    ∧,⊆\displaystyle \land,\subseteq

选型与微调：上岗前的最后一课

候选人选好了，还要安排岗前培训。选择模型先看三个问题：任务是什么、显存有多少、许可能不能商用。科研问答选 OpenBioLLM，电子病历结构化选 Llama3-Med，多语言和快速部署选 Apollo。

微调不必每次都改动全部参数。LoRA 这种参数高效微调法，只训练一小部分低秩矩阵，成本低、速度快。它新增的可训练参数量由低秩 r 和矩阵维度决定：

微调时保留一部分通用数据，防止模型变“哑巴”；训练后必须用院内脱敏数据重新评测，再小范围试用。记住：上岗的永远是“AI 实习医生”，真正的责任医生仍然是你。

Trainable=r×din+r×dout\displaystyle \text{Trainable}=r \times d_{\text{in}}+r \times d_{\text{out}}
通俗理解：LoRA 不重新教医生所有知识，只在原有模型旁边加一块“备忘录”，备忘录的格子数量就是新增训练量。
  1. 低秩 r通常取 8、16、32 等小数字，决定备忘录的粗细程度。
    r\displaystyle r
  2. 输入维度 d_in模型每一层输入向量的长度，通常是 hidden size。
    din\displaystyle d_{\text{in}}
  3. 输出维度 d_out模型每一层输出向量的长度。
    dout\displaystyle d_{\text{out}}
  4. 两部分相加低秩分解产生两个小矩阵，分别承担输入映射和输出映射。
    r×din+r×dout\displaystyle r \times d_{\text{in}}+r \times d_{\text{out}}

AI 应用场景

场景一：科研文献速读与用药方案提取

阶段：临床 NLP 与医学问答

解决的问题：医生看一篇论文要十几分钟，面对 200 篇文献根本无法短时间内完成证据梳理。传统方式靠人工摘录，速度慢、主观误差大，而且容易漏掉关键不良反应。

具体案例：某三甲医院感染科先用 OpenBioLLM-70B 在科研内网搭建文献问答助手。将 200 篇抗生素相关论文摘要做向量化检索，模型只依据检索到的段落生成答案，输出“可用方案、禁忌证、常见不良反应”三种结构化摘要。医生只需复核关键结论，文献调研时间从一周缩短到一天。

场景二：电子病历结构化和随访问答

阶段：电子病历信息抽取

解决的问题：病历中的主诉和现病史经常是非结构化长文本，例如“患者血压高，头晕三天”。传统规则模板难以覆盖医生千变万化的表达方式。

具体案例：某慢病管理中心部署 Llama3-Med-8B，将门诊随访记录自动转化为结构化字段，例如把“血压 150/95，吃药后降到 130/80”抽取为 systolic_bp 和 diastolic_bp。模型还根据历史记录回答患者“我这次指标比上次好吗”，辅助生成随访复查提醒。

场景三：基层多语言医疗问答助手

阶段：轻量化部署与多语言问答

解决的问题：基层医疗机构 GPU 资源有限，同时面对不同语言背景的患者。使用超大模型不现实，闭源 API 又有隐私顾虑。

具体案例：某县域医共体在 24GB 显存服务器上部署 Apollo-7B，面向中文、英文和部分少数民族语言患者提供用药咨询、就医指引和健康宣教。Apollo 的轻量版本让整个系统可以运行在单台 GPU 服务器上，且本地处理数据，降低患者隐私外泄风险。

Python 演示

python37 行
class MedicalModelCandidate:    def __init__(self, name, params_b, medqa, license_friendly):        self.name = name        self.params_b = params_b        self.medqa = medqa        self.license_friendly = license_friendly     def deployment_score(self, gpu_memory_gb, privacy_first):        score = self.medqa        if self.params_b <= 10:            score += 15          # 轻量模型部署成本更低        if self.license_friendly:            score += 10          # 许可友好适合商用        if privacy_first:            score += 8           # 本地部署更好保护隐私        if gpu_memory_gb < self.params_b * 2:            score -= 20          # GPU 显存撑不住模型权重        return max(score, 0)  def main():    candidates = [        MedicalModelCandidate("OpenBioLLM-70B", 70, 82, False),        MedicalModelCandidate("Llama3-Med-8B", 8, 74, False),        MedicalModelCandidate("Apollo-7B", 7, 79, True),    ]     gpu_memory_gb = 48    for c in candidates:        print(c.name, "->", c.deployment_score(gpu_memory_gb, privacy_first=True))     best = max(candidates, key=lambda c: c.deployment_score(gpu_memory_gb, privacy_first=True))    print("推荐选型:", best.name)  if __name__ == "__main__":    main()
目的：把三个开源医学模型的规模、MedQA 分数、许可友好度和 GPU 显存要求压缩成一个选型打分表，快速找到最合适的候选模型。
  1. class MedicalModelCandidate:把三个模型的简历转成同一种结构，方便后续统一打分。
  2. def deployment_score(self, gpu_memory_gb, privacy_first):综合基准分、轻量程度、许可和隐私偏好，生成选型分。
  3. if gpu_memory_gb < self.params_b * 2:显存不够跑权重时直接扣分，避免选出一个无法落地的模型。
  4. if self.license_friendly:许可是否友好直接加分，越容易商用的模型越适合产品化。
  5. max(candidates, key=lambda c: c.deployment_score(...))用一行代码找出综合得分最高的人选。

常见误区

误区模型权重能在网上直接下载，应该就代表我拿到手以后想怎么用都行，包括做收费医疗产品。

正解开源不等于放弃所有权利。OpenBioLLM 和 Llama3-Med 的基座依赖 Llama 系许可，商用前要检查是否满足附加条件。就像实习医生虽然不要工资，但劳动合同里可能写着“首诊必须由主治医生签字”。

为何常见：大家习惯了开源代码随便用的文化，却忽略了模型权重许可证和代码许可证不是一回事。

误区模型在 MedQA 上拿了 80 多分，比很多刚毕业的医学生还高，部署之后应该能直接辅助诊断。

正解公开考试题可能出现在训练数据里，而且真实患者描述、方言、缩写和电子病历噪音比考试题复杂得多。必须用自己的脱敏病历做盲测，比较模型回答与医生结论的一致性。

为何常见：榜单分数是单一数字，容易让人忽略测试集和真实场景之间的分布差异。

误区既然 70B 模型分数高，那就选最大参数量的模型，反正医院服务器可以慢慢升级。

正解大模型需要更多显存、推理时间和运维成本。对电子病历抽取这类结构化任务，8B 或 7B 模型可能已经够用，而且更容易在院内 GPU 上跑起来。力气大不代表一定适合你的科室。

为何常见：AI 领域长期宣传“规模涌现”，让新手误以为参数越大自动越好，忽略了成本和场景匹配。

误区模型能回答医学问题，出院后应该可以让患者直接向 AI 提问并拿药。

正解大模型会产生看似合理的幻觉，尤其在罕见病和药物相互作用上可能错得一本正经。医学场景要求可追溯、可解释、可追责，AI 只能做辅助，最终诊断权必须留给持证医生。

为何常见：聊天机器人流畅自然的表达容易产生“它真的懂”的错觉，尤其当回答内容专业时更容易被信任。

误区只要把医院的病历、检查报告一股脑喂给模型，它就会自动变成最懂我们医院的专家。

正解原始病历包含姓名、住院号等隐私信息，必须脱敏；数据中还有大量重复、口语和无关内容，需要清洗、去重、过滤。最好把病历改写成“问题-答案”或“输入-结构化输出”格式，再用 LoRA 做小成本微调。

为何常见：很多人只听说“数据越多越好”，忽略了医疗数据的敏感性和格式复杂度。

面试题

Q1. 关于开源医学模型，最准确的说法是？

单选题 · easy

  • A.开源后可以完全免费商用
  • B.仍需遵守基座模型许可← 正确答案
  • C.只能用于科研不能部署
  • D.医学模型不存在许可

答案：B。开源模型权重可以下载，但派生模型要继承基座模型许可证。OpenBioLLM 和 Llama3-Med 的基座若来自 Llama，商用条件就必须看 Llama 社区许可。A、D 都忽略了许可链，C 则错误地排除了合规部署场景。

Q2. OpenBioLLM 最显著的特点是？

单选题 · easy

  • A.基于 Llama-3 大底座微调← 正确答案
  • B.完全从零预训练中文模型
  • C.无法处理任何医学问答
  • D.只能在超算集群运行

答案：A。OpenBioLLM 通常是基于 Llama-3 70B 底座继续医学微调，所以知识面广、医学推理能力强。它并非完全不落地，只是对显存要求高。B 把基座说反，C 与模型用途矛盾，D 则把部署门槛绝对化。

Q3. Llama3-Med 常见的训练路线是？

单选题 · mid

  • A.在通用模型上做医学指令微调← 正确答案
  • B.从零训练全新医学基座
  • C.仅靠规则匹配医学关键词
  • D.用知识图谱替代所有神经网络

答案：A。Llama3-Med 通常在 Llama-3 8B 基础上加入医学指令数据微调，既保留通用语言能力，又提升医学问答能力。B 成本过高且不是主流做法，C、D 完全偏离大模型技术路线。

Q4. Apollo 系列相比前两者的最大差异是？

单选题 · mid

  • A.提供多尺寸多语言模型家族← 正确答案
  • B.完全不使用任何开源底座
  • C.只能处理中文电子病历
  • D.只发布 70B 超大模型

答案：A。Apollo 以多尺寸、多语言作为特色，用户可以根据 GPU 和业务场景选择 2B 到 70B 的版本。B 不准确，C 把多语言模型限制成中文，D 与多尺寸家族矛盾。

Q5. 模型在 MedQA 上分数很高，部署前应该怎么做？

单选题 · mid

  • A.完全信赖并替代医生诊断
  • B.用本地脱敏数据抽样复测← 正确答案
  • C.无需关注许可证和隐私
  • D.直接删除所有训练数据

答案：B。公开榜单可能存在数据污染和分布差异，真实病历表达方式更复杂。上策是拿院内脱敏数据做小规模验证，对比医生结论。A、C 都过于乐观，D 更是与微调目标完全相反。

Q6. 基座模型是 Llama-3 的医学微调模型，商用时的关键约束是？

单选题 · hard

  • A.必须遵循 Llama 社区许可← 正确答案
  • B.必须额外购买闭源 API
  • C.必定违反 HIPAA 合规
  • D.必须删除全部训练语料

答案：A。基于 Llama-3 微调的模型是派生模型，一般要继承其社区许可证条款。这不是说一定不能商用，而是要逐条满足条件。B 偷换概念，C 太绝对，D 则毫无依据。

Q7. LoRA 微调新增的可训练参数量主要取决于？

单选题 · hard

  • A.低秩 r 和矩阵维度← 正确答案
  • B.训练轮数和学习率
  • C.原始模型参数量不变
  • D.仅由 prompt 长度决定

答案：A。LoRA 用两个低秩矩阵模拟权重更新，可训练参数约等于 r 乘以输入维度加上 r 乘以输出维度。B 影响训练过程但不改变结构参数，C 不完整，D 与可训练参数量无关。

Q8. 评估开源医学大模型时，哪些做法是正确的？

多选题 · mid

  • A.同时考察通用与医学基准← 正确答案
  • B.只用竞争友商的内部数据
  • C.用本地电子病历抽样复测← 正确答案
  • D.直接忽略许可证的差异

答案：AC。既要看医学榜单，也要看通用能力防止模型退化；本地脱敏数据复测能反映真实场景。B 使用不合理数据源，D 忽略商用合规风险，都是错误做法。

Q9. 开源医学大模型选型应考虑哪些方面？

多选题 · mid

  • A.模型规模与推理成本← 正确答案
  • B.训练数据来源与隐私← 正确答案
  • C.授权条款与商用限制← 正确答案
  • D.论文封面的美观程度

答案：ABC。规模决定显存和速度，训练数据决定专业上限，许可证决定能否落地商用。封面美观程度与模型能力无关，属于无效选型因素。

Q10. 关于医学模型微调，正确的做法有？

多选题 · hard

  • A.先清洗病历并去标识化← 正确答案
  • B.用通用数据缓解灾难性遗忘← 正确答案
  • C.微调后无需评估直接上线
  • D.验证模型在目标科室的效果← 正确答案

答案：ABD。医疗数据必须先脱敏，再用结构化指令微调；保留通用数据能防止模型只会医学话术而丢失常识。微调后必须重新评估，并在真实目标科室试用。C 跳过验证环节，极易把幻觉模型带上线。