刚刚，GPT-5.5被中国纯血AI反超了！

新智元报道 【新智元导读】 刚刚，国产纯血大模型彻底逆袭了！在医疗领域全面碾压GPT-5.5，狂揽双料第一，91%的医生直呼敢用。 刚刚，医疗大模型赛道的魔咒，终于被打破了！ 过去两年，医疗大模型是AI落地中关注度最高的赛道之一，也是公认最难啃的一条。 几乎每家大厂都会端出一个「会看病」的LLM：发布会上对答如流，PPT里指标霸榜。 然而，一旦把它放进诊室，医生用两次就默默关掉了。 归根到底，「能上台演示」和「能下场干活」之间的那道坎，真正迈过去的屈指可数。 但这几天，剧情迎来了反转。 飞利浦最新发布的《2026未来健康指数》里，藏着一个极具画面感的数据。 27%的临床医生承认，就在过去九十天里，屏幕里那个曾经被嫌弃的AI，已经至少三次帮他们揪出了潜在的医疗差错。 但故事还没完。 就在这几天，一家中国公司直接把一份更为硬核的答卷拍在了桌面上。 星火医疗大模型V3.5 医生采纳率91% 6月9日，讯飞医疗正式发布——星火医疗大模型V3.5。 生成病历医生采纳率91%、书写时间缩短52%、累计辅助诊断超12亿次。 这一连串的数字，直接把医疗AI「最难用的门槛」踩在脚下。 要理解此版本发布的分量，先得理解它跨过的那道门槛到底有多高。医疗是所有AI落地场景里最苛刻的一个，原因有三。 医疗场景容错率近乎为0 在教育、营销、客服领域，大模型偶尔「一本正经地胡说八道」，代价是一次返工。 但在诊室里，一个错误的用药建议、一处遗漏的影像征象，关乎的是人的健康乃至生命。 这意味着医疗大模型，不能只是「大概率正确」，它必须做到可验证、可溯源、可问责。 真实场景远比 Demo 复杂 发布会上的「AI问诊」，往往是安静房间里、一个人对着麦克风的清晰口述。 可真实诊室是什么样？ 多位医生、患者、家属同时说话，远场嘈杂，方言夹杂，病情陈述断断续续。 能在录音棚里转写得完美的模型，一进诊室就「失聪」。 医生的工作流不容打断 医生最稀缺的是时间，一个需要医生反复修改、二次校对的AI工具，本质上是在增加负担。 它必须无缝嵌进医生既有的工作流，让人「用了就回不去」，才谈得上真正落地。 这三道坎，过去鲜有医疗大模型能同时跨过。 而星火医疗大模型V3.5最大的价值，恰恰在于它在临床最刚需的几个场景里，同时把三道坎踩在了脚下。 医生愿不愿意用 才是唯一的标尺 实际上，「实用门槛」的定义很朴素： 医生在真实的临床场景里，拿到AI生成的结果，愿意直接采纳。 这个标准下，星火医疗大模型V3.5在三大核心场景下，交出了硬数据。 病历生成，时间砍半 病历书写，是临床医生日常工作中最耗时、最痛苦的环节之一。 很多医生白天看完门诊，晚上还得花两三个小时补病历。 星火医疗大模型V3.5，在病历场景实现了全维度技术升级—— 突破了多源医患远场识别、多角色定向语音增强、医疗语音识别非自回归架构等多项核心技术。 在医生和患者对话的过程中，星火医疗大模型V3.5通过远场多说话人语音识别，实时抓取对话内容，端到端自动生成结构化病历。 结果，端到端病历生成合理率达到80%。 落到真实临床，在多家头部三甲医院的应用中，生成病历的医生采纳率达到91%，病历书写时间缩短52%。 有一组数据很扎心：一位门诊医生日均要接诊100位患者，边接诊边手写录入一份高质量病历，平均需要2.5分钟。 100位患者，意味着每天有超过4个小时耗在「码字」上。 医生这个职业，正在被文书工作活活拖垮。 而用AI病历生成系统，医患对话结束后30秒，一份同等质量的规范病历自动生成——一天下来，就能省出2.8小时。 正因如此，91%的病历采纳率才显得分量十足—— AI生成的病历，超过九成医生看一眼就能直接用，几乎免修改。 星火医疗大模型V3.5精准砍掉了那一半的文书负担。那些本该属于病患的时间，现在终于可以还回去了。 AI读片，采用率75% 影像辅诊是医疗AI最早被寄予厚望、也最容易「翻车」的方向。 放射科医生看一张CT或MR，要在多个序列间来回对照、结合临床信息判断，再用规范医学语言写成报告。 星火医疗大模型V3.5靠多序列联合空间建模和影像-文本跨模态推理，把识别和报告生成打通成一个动作——输出的不只是「片子上有什么」，还有「意味着什么、下一步怎么办」。 结果，X线、MR报告生成的医生采纳率达75%，影像质控达到专家会诊水准。 75%初看不如91%亮眼，但影像报告的专业性和复杂度远高于文字病历，这是全球医疗大模型首次在真实临床场景跨过这道线。 循证诊疗助理智能体，一个随身的「医学图书馆」 如果说前两者解决的是「效率」，那么循证诊疗助理智能体解决的是「决策质量」。 做过临床决策支持的人都知道，医生最怕的不是AI「不够聪明」，而是AI「太自信地错」。 星火医疗大 模型V3.5循证 诊疗助理 智能体 ，采用了「证据对齐—反思校验—专家强化」的技术路径。 核心是，每一个诊疗建议都能追溯到权威医学文献，支持多步推理和深度反思。 它覆盖了病历内涵质控、智能用药审核、全科和跨专科辅助诊断等多个刚需场景，背后接入了大量权威诊疗指南和专家共识，同时兼容中国诊疗规范和中西医双诊疗体系。 如果要找一个国际对标——大洋彼岸的OpenEvidence，现估值已达120亿美元。 其凭借循证AI深度嵌入医生工作流，短短时间覆盖了约45%的美国执业医师、服务超过一万家医院。 讯 飞的循证 诊疗助理 智 能体做的是同一件事，但有一个OpenEvidence不具备的差异化优势： 它要做的，是最懂中国医疗体系的那一个。 打开引擎盖，里面全是国产的 星火医疗大模型V3.5跨过实用门槛，靠的不是单点取巧，而是底座和算法的硬功夫。 这一次，它在两大工程上拿下了硬突破。 第一件，全国产算力底座上的长文本高效训练。 医疗是天然的长上下文场景：一份完整病历、一段长程随访、一次多轮问诊，动辄上万token。 长文本一长，推理成本和延迟就指数级飙升，这是所有LLM部署进医院都要撞的墙。 在国产算力平台上，星火医疗大模型V3.5率先跑通了DSA（动态稀疏注意力）与MTP（多Token预测）的长文本高效训练。 这两招叠加，直接让医疗长上下文推理吞吐量提升4.5倍。 这意味着，医院和区域医疗机构本地化部署，跑得动、迭代得起。 第二件，16亿人次数据飞轮，转起来了。 如果说算力是发动机，数据就是燃油。而在医疗AI领域，数据的稀缺性和获取难度远超其他行业。 为什么通用大模型做不好医疗？因为它们没有「行医多年」的经历。 而讯飞医疗，恰恰有。 支撑星火医疗大模型V3.5持续迭代的，是一座体量惊人的医疗数据基座： 16亿人次脱敏医疗语音、12亿次真实诊疗沉淀数据，并且平台每日新增超过220万份语音、影像、病历等跨模态真实医疗样本。 这串数字背后，是一套别家难以复刻的飞轮。 海量真实数据训练出更强的模型，更强的模型在医院和C端被更广泛地使用，使用又沉淀出新的高质量数据，反哺下一轮训练。 更重要的是，这些数据让星火医疗大模型V3.5实现了，语音、影像、语义真正融合的医疗多模态。 过去的医疗AI大多是「偏科生」：要么只会语音转写，要么只会看片子，模块之间各干各的。 星火医疗大模型V3.5把医疗语音识别、影像辅诊和医学语义理解的多模态能力做了一次全面升级，实现语音、