清华刘洋团队论文：揭示为何 70B 的医疗模型，反而不如 8B 会问诊丨ILCR 2026

在医疗人工智能的发展历程中，能力评估方式在很大程度上塑造了技术演进的方向。 过去相当长一段时间里，医疗 AI 的进步主要围绕医学知识获取与推理展开，模型是否“足够聪明”通常通过医学考试题、临床问答数据集等静态基准来衡量。在这一评价框架下，模型只需在信息完整、问题封闭的条件下给出正确答案，便被视为具备较高的医疗能力。 随着大语言模型的兴起，这一路径迅速取得突破性进展，多种系统在 MedQA 等测试中达到甚至超过人类专家水平，使得“医疗 AI 是否已经成熟”一度成为行业内的乐观判断。 然而，随着这些模型被逐步引入更贴近真实临床的交互场景，一个长期被掩盖的问题开始显现：真实医疗实践并非基于完整信息给出诊断，而是一种在高度不确定条件下，通过连续提问、风险识别与信息整合来逐步逼近决策的动态过程。 模型在静态评测中展现出的知识优势，并未自然转化为对真实问诊场景的可靠支持，反而在多轮对话中暴露出提问策略僵化、对高风险信号反应迟钝、过早形成结论以及缺乏基本沟通与共情能力等缺陷。 这种“高分通过考试，却难以胜任临床问诊”的断层，逐渐成为医疗 AI 领域的核心瓶颈，也迫使研究者重新思考一个根本性问题：医疗智能体真正需要被训练和评估的，究竟是什么能力。 在这一背景下，清华大学刘洋团队提出了题为《DOCTOR-R1: Mastering Clinical Inquiry with Experiential Agentic Reinforcement Learning》的研究工作，试图从问题建模和训练范式层面打破以静态知识评测为中心的既有路径。 这项研究不再将模型能力简单等同于知识覆盖度或参数规模，而是将临床问诊本身视为一个长期、多轮、部分可观测且高度风险敏感的决策过程，重点探索如何让模型学会在信息不完整的条件下提出高价值问题、动态调整询问策略，并在整个过程中保持安全意识与沟通质量。为医疗智能体从工具型问答系统迈向具备临床推理与交互能力的决策主体提供了新的研究范式。 <img src="https://static.leiphone.com/uploads/new/images/20260224/699d44031a40d.png?im