小北健康
为诊疗、问诊与健康服务提供统一的智能服务的医疗垂域大模型平台。
首页 > 医疗垂域AI应用 > 小北健康
平台介绍
“小北健康”聚焦医疗垂域大模型与配套能力体系建设，围绕医疗场景中的知识注入、推理与工具调用、EHR（电子病历）分析、交互式问诊与医学文本通俗化等关键能力，形成可用于真实业务落地的模型与方法组合。一方面验证团队在数据筛选、持续预训练、参数高效微调与强化学习训练等方向的技术先进性与工程可行性；另一方面面向医疗业务的高价值任务（病历分析、诊疗推理、问诊互动、健康科普等），提升模型的专业性、稳定性与可用性，支撑后续产品化与规模化应用。
演示视频
点击播放器查看高清视频
核心功能
医疗知识问答与咨询
- 多场景交互入口：支持面向患者/医生/运营等多角色的文本对话入口，适配不同问答与咨询场景，保障交互便捷与输出一致性。
- 垂域专业问答：覆盖医学知识问答、临床指南与常见疾病解释等任务，强调专业性与可追溯的答案组织方式。
- 基于上下文的多轮问答：支持围绕同一健康问题的连续追问与递进式澄清，能够结合历史对话维持回答的逻辑连贯性。
推理与工具调用能力
- 推理驱动的工具使用：类比医生“先推理、再查阅工具”的工作方式，支持在推理过程中选择并调用外部医学工具/知识源以增强结论可靠性。
- 多步推理与搜索框架：面向复杂医疗问题，支持“思考/总结/工具调用”等多类动作组合，并通过可回溯的记忆管理机制降低错误步骤对最终答案的污染。
- 强化学习训练：通过针对动作与参数的解耦优化（宏观决策 vs 微观分析），提升推理质量与工具使用策略的稳定性。
EHR（电子病历）分析与预测
- EHR推理路径增强：以传统EHR分析模型提供过程奖励信号，引导大模型生成更可靠的分析推理路径，并通过迭代强化学习持续提升预测与分析能力。
- 高效上下文学习（EHR Base）：支持将EHR数据映射为更易理解的自然语言/结构化表述，结合相似患者检索与样例归纳，提升跨数据集泛化能力与诊疗分析精度。
交互式问诊能力
- 主动提问获取关键信息：在患者信息不完整时，模型能够主动生成高质量追问，减少“信息不足强行作答”带来的误诊与幻觉风险。
- 信息增益奖励机制：基于患者原子信息重要性建模，强化学习训练模型“问得更准、问得更关键”，提升多轮问诊场景下的作答正确性与可用性。
医学文本通俗化
- 专业到大众的表达转换：支持将临床指南/医学文献等专家文本进行语义总结与风格转写，生成更易读、解释更充分的公众科普文本。
- 语义不变与风格适配：通过语义约束与多风格适配机制，在提升可读性的同时尽量保持关键信息不偏移，减少“简化导致含义变化”的风险。
核心创新点
目标模型驱动的数据筛选
面向持续预训练与指令微调阶段，结合模型知识分布与学习能力进行质量/难度筛选，提升训练效率并降低因分布外数据带来的幻觉风险。
有效缓解灾难性遗忘的知识注入
通过参数拓展与解耦训练、正交变换的参数高效微调等策略，在注入医学知识的同时减少通用能力下滑，并显著降低可调参数开销
推理×工具调用深度融合
以多步推理系统、记忆栈管理与强化学习联合训练为核心，兼顾推理质量、格式稳定性与可操作的工具调用策略，提升复杂医疗任务的可落地性。