森利网豆蔻妇科大模型再突破：钉钉行业训练平台+精标数据SFT ，准确率从 77.1%上升至 90.2%

文 | 王强宇森利网

在医疗 AI 领域，通用大语言模型虽凭借海量互联网数据训练具备广泛知识覆盖面，但在需高度专业判断的临床场景中表现欠佳。当医生询问疾病鉴别诊断时，通用模型可能给出不准确甚至错误建议，这在严肃的医疗决策中不可接受。

大家都知道监督微调（SFT）技术是解决上述难题性价比较比较高的方案之一，但SFT也需要具体一定的条件：如高质的数据集，同时由于医疗数据的特殊性和复杂性，模型调优的过程可能非常耗时且难以预测。同时SFT是一个迭代优化的过程，需要不断地对模型进行训练、评测和优化。

豆蔻妇科大模型的模型调优经历了两个关键优化阶段：

第一阶段（2025年4月）：构建SFT基础模型，采用1300条精标中文妇科问诊数据作为训练样本，结合教师模型数据蒸馏和人工审核，使模型初步具备专业问诊能力，初始准确率达77.1%。

第二阶段（2025年6月）：通过针对性地合成症状数据，重新蒸馏、标注COT，筛选质量更高的数据等，重新进行微调训练，使得妇科六大症状的诊断准确率最终达到了90.2%。此阶段的优化策略包括严格科学的数据清洗重组流程、数据蒸馏校准技术及基于大模型的自动化评测系统+人工复审机制，该阶段的训练完全基于钉钉行业训练平台完成。

以下是豆蔻妇科大模型从第一个版本的准确率77.1%，通过进一步的SFT后，准确率达到90.2%我们团队的一些方法和心得，供大家参考，欢迎留言讨论。

一、训练数据集的科学筛选（数据集构建与质量控制）

在对优质训练数据集的筛选过程中森利网，我们实施了三个关键步骤：

第一是系统化数据清理，通过建立严格的质量控制标准，重点关注推理与结果的一致性检查，筛选出answer与ground truth不一致的样本，特别是那些思考过程和输出结果不一致的情况，这类数据被视为低质量数据。同时进行逻辑链条完整性验证，确保每个诊断结论都有充分的症状支撑和推理依据，并对医学常识合理性进行筛查，剔除违背基本医学原理的数据，如\"男性患者诊断为妊娠\"这类明显错误，以及症状关联性不合理的数据，比如\"无性生活但指定避孕方式是避孕套\"的情况。

同时，对训练数据集覆盖度的平衡也做了一些策略：

数据集中的数据，同时需要包含简单以及复杂的病例数据，充分模拟真实世界的数据。

涵盖从青春期到更年期的全生命周期病例，以及常见病与罕见病的比例，避免模型出现诊断偏好。

第二是蒸馏数据的校准环节，这是确保思维链COT（Chain-of-Thought）数据质量的关键步骤。

所有COT数据必须保持推理一致性，COT必须能够完整支撑最终的诊断结果，特别是在诊断优先级排序上要有明确依据。每个诊断的优先级都需要有清晰的医学依据支撑，比如\"妊娠排在第一位是因为患者月经推迟大于7天，且近期有性生活史\"。

为保障鉴别诊断的完备性，需系统性覆盖全部潜在鉴别诊断方案，并针对各诊断结论提供充分的医学依据与论证支撑，蒸馏校准流程具体实施细则如下：

人工标注环节：由内部的专业医学专家团队，依据现行医学行业标准，对症状数据实施规范化标注作业森利网，构建标准化诊断结果集，为后续流程奠定基准参照体系。

模型推理环节：以标注后的症状数据及人工诊断结果为基准，借助教师模型开展推理运算，生成包含初步思维链（COT）的推理过程及诊断结论。

完整性质控环节：采用双重验证机制，重点核查以下核心要素：

格式规范性验证：严格对照 “1 个最可能诊断 + 2-5 个其他潜在诊断 + 检查项目建议 + 处置方案建议 + 注意事项说明” 的标准化输出格式，确保诊断结果格式完整、规范；

诊断结论一致性验证：通过将模型输出的诊断结果与人工标注的标准答案进行逐点比对，保障二者完全契合，杜绝任何结论偏差。

智能自动化校验：引入智能规则引擎，基于预设的医学逻辑规则，对症状描述与诊断结论之间的匹配合理性进行自动化校验。例如，针对 “患者出现阴道出血症状，诊断为宫颈病变” 等诊断结论，依据医学知识库中的关联规则，自动评估其逻辑合理性与临床可行性。

优化提升环节：由医学专家团队对质控后的结果进行人工校准与增强，通过迭代式蒸馏优化策略，持续完善数据质量，确保每个训练样本均具备完整且严谨的推理逻辑链条，以及精准可靠的诊断结论。

第三是持续迭代优化阶段：使用优化后的模型对新数据进行推理生成，通过自动化评测系统筛选出评分8分以上的高质量样本加入训练集，进行新一轮SFT训练，形成\"训练-评测-筛选-再训练\"的良性循环。在整个过程中，我们持续监控多项关键指标，包括模型在测试集上的准确率变化、六大核心症状的分项得分以及罕见病例的识别准确率，确保模型性能得到全方位提升。

二、双重评估体系：确保医学准确性

为了评测答案的准确性，我们构建了一套完整的模型质量评估体系，包含自动化评测和人工审核两个关键环节（上图）。在自动化评测方面，我们开发了基于大模型的裁判系统，该系统采用DeepSeek R1级别的高性能语言模型作为核心评测引擎，按照医生制定的10分制标准对模型输出进行客观评分。这个自动化系统具有三大核心特点：首先，它采用模型驱动评测机制，确保评分过程的准确性和一致性；其次，通过将医生的评估标准转化为结构化的prompt，建立标准化的评分框架；最后，系统支持批量自动化处理，能够快速完成大量样本的评测，提升评估效率。

为补充自动化评测的不足，我们建立了严格的医生修正反馈机制。由内部妇科专家团队对模型输出进行人工审核，特别关注那些处于评分边界或存在争议的边缘案例。专家们会详细检查模型输出的诊断建议，将修正意见反馈到训练数据中，形成\"评估-修正-优化\"的闭环迭代机制。这个人机协同的评估体系既保证了评测效率，又确保了专业质量，为模型的持续优化提供了可靠保障。

经验教训与挑战

在垂直领域模型训练中，尽管有许多论文和教材提供指导，但实际操作中仍面临诸多挑战。初期，我们过度依赖了人工标注，导致训练集数据积累缓慢、效率低下且成本高昂。后面经过策略的调整，设置了“机器蒸馏→专家审核→训练后评估”的体系后，数据生产效率显著提升。同时，针对思维链推理过程与最终诊断结果脱节的问题，建立严格的逻辑一致性检查机制，确保每个推理步骤都能有效支撑最终结论，避免模型学习出现混乱。

训练数据集过度集中在常见病，导致模型对罕见病识别能力不足。为此，我们采用平衡采样策略，对罕见病例进行针对性采样，确保各类疾病都能获得足够的训练样本。在评测标准方面，人工评测存在主观性强、标准不统一的问题，我们引入另一个大模型作为标准化评测工具，有效保证了评分的客观性和一致性。这些措施共同构成了一个完整的质量保障体系，为专业领域模型的开发提供了可靠支撑。

在医疗大模型的实际应用中，用户的问题往往零散且不完整，需要模型具备多维思考模式。医疗领域的容错率极低，大模型不仅要“说出知道的”，更要对依据不足或不确定的情况给出尽可能专业的诊断。豆蔻妇科大模型以真实临床路径为蓝本，在病例分析过程中不仅精准定位“滴虫性阴道炎”为首要诊断，还同步考虑性传播疾病、宫颈病变等多种鉴别诊断，并基于患者17岁青春期特征纳入“排卵障碍性出血”评估，形成多层级诊断网络。这种“全链路思维”在复杂症状场景中尤为凸显：当患者出现“灰黄色血性白带 + 尿频”复合症状时，模型通过逻辑链条解析，最终生成包含6项检查建议（白带常规、性传播疾病核酸检测等）及分层治疗方案（甲硝唑用药 + 性伴侣同治），从“疾病诊断”到“治疗方案”的临床全链路思考。这一过程对人力和医学专业能力要求极高。

有人说训练大模型，更多的是对数据的清洗、标注，对并模型给出的答案不断进行反馈、纠正。我们不是在教机器“选对答案”，而是在让 AI 学会像医生一样思考，这也是医疗大模型最大的挑战。

关于训练平台

这一次，我们选择了钉钉企业专属AI平台，作为我们的训练调优核心工具。钉钉企业专属AI平台是一款一站式企业专属大模型生产平台，专为有调优、后训练需求的企业和开发者量身打造，提供从数据治理、高效训练到灵活部署的完整端到端工具链，全方位助力企业实现大模型的高效落地与优化。

在这一阶段的调优过程中，钉钉企业专属AI平台发挥了至关重要的作用。它覆盖SFT/RFT（GRPO）两种训练方法，提供分布式训练、多Lora部署等加速优化手段，通过页面后台和SDK两种模式，为我们的训练调优提供了强大的技术支持。在钉钉专业技术人员的紧密协同下，我们实现了训练效率的大幅提升，将单次训练时长从26小时缩短至7小时，降幅高达73%。这一显著的优化成果，充分体现了钉钉炼丹炉大模型服务平台在提升训练效率、降低训练成本方面的卓越价值，也彰显了钉钉在大模型训练领域的强大技术实力和专业服务能力。

SFT作为医学大模型构建基础能力的核心环节，其重要性不言而喻。它不仅是模型能否输出符合医学规范安全建议的关键，更是通过高质量思维链数据的训练，使模型得以掌握标准诊断逻辑、实现推理透明化，并广泛覆盖常见临床场景的基础。

展望未来，我们团队将积极探索SFT+RL的协同训练范式，以应对临床推理中的双重挑战。SFT将确保模型对基础医学知识的结构化掌握，培养起“循证思维”；而RL则将在实际应用中锤炼模型的判断力，助其形成“临床直觉”。我们坚信，这种双重训练模式将使AI不仅具备给出符合医学指南建议的能力，更能针对复杂病例进行上下文感知的个性化推理，最终实现从“医学词典”到“会诊专家”的华丽蜕变。让我们共同期待这一天的到来！

贝格富配资提示：文章来自网络，不代表本站观点。