AREX Feed Article
"企业不该向大厂租智能"——actAVA掏出万亿参数医疗模型，在五个基准上击败GPT-5.6
第一章：前沿大厂垄断通用智能的叙事，正在被垂直挑战者撕开一道口子
2026年的AI叙事有一条不成文的共识：最强的模型永远是那几个名字——OpenAI、Anthropic、Google——它们花钱最多、参数最大、覆盖最广，一切垂直场景都应该在通用基座上用提示工程（prompt engineering）解决。
7月21日凌晨，一家大多数从业者没听过的公司actAVA AI，用一条推文挑战了这个共识。其联合创始人兼首席AI官Weiran Yao（姚蔚然，卡内基梅隆大学博士）宣布发布Cura 1T——一个1万亿参数的医疗专用模型。在HealthBench Professional、HealthBench Hard、MedAgentBench、MedXpertQA-Text和AgentClinic五个医疗基准上，Cura 1T的得分全部超过了GPT-5.5/5.6、Claude Opus 4.8和Gemini 3.1 Pro。
更令人在意的是定价：每百万输入token 0.50美元，每百万输出token 2.50美元——按照actAVA的说法，同等任务下推理成本仅为前沿模型的1/20到1/5。
这不是一篇关于"又一个基础模型发布"的新闻。这是一个关于AI产业权力结构正在从"租用通用智能"向"自建专用智能"迁移的信号。
第二章：一句话总结——一个三周训练出来的专用模型，在医疗场景中打赢了最强的通用模型
Cura 1T以月之暗面（Moonshot AI）的开源模型Kimi-K2.6为基座，通过actAVA自研的"人类把关的自我进化循环"（human-gated self-evolution loop）进行后训练。团队仅用了三周时间，在自有基础设施上完成训练——不使用任何患者病历或受保护健康信息（PHI）。
模型支持256K上下文窗口、文本+视觉输入和函数调用，覆盖三大医疗场景：患者沟通（分诊、咨询、安全指导）、临床推理（17个专科、11个身体系统的专家级医学问答）和医疗代理工作流（多轮诊断对话、FHIR标准的电子病历工具调用）。
在基准测试中，Cura 1T在六个评估面板的五个上排名第一，仅在MedXpertQA多模态分项上以72.2分略逊于GPT-5.5的77.1分，排名第二。尤为突出的是患者护理场景：HealthBench Professional得分66.2，比Claude Opus 4.8高出10.4分；HealthBench Hard得分36.8，比GPT-5.5高出5.3分——考虑到后者的基座Kimi-K2.6在该项仅得22.2分，这意味着医疗专项训练带来了14.6分的跃升。
第三章：技术方案——不是训练一个新架构，而是造了一台自动找数据弱点的机器
Cura 1T的技术核心不在于模型架构创新——它直接在Kimi-K2.6上加LoRA低秩适配器训练——而在于其训练方法论。actAVA称之为"人类把关的自我进化循环"，本质上是一台自动化数据策展机器。
这个循环的运作方式如下：每一轮，一个LLM训练智能体（training agent）选定一个目标能力（如"提升FHIR工具调用成功率"），定义验收标准，然后训练一个候选模型。
候选模型在相关基准上跑评估后，智能体读取被打分的轨迹，从中识别失败模式——是遗漏了评分要点（rubric omissions）、事实错误（missing facts）、推理断裂（brittle reasoning）还是工具调用格式错误（malformed tool calls）——然后针对性地合成或策展新的训练数据，加入下一轮的数据混合物中。
训练管线包含SFT（监督微调）、RL（强化学习）和一种受自蒸馏启发的持续学习方法（SDFT）：先给模型塞一个提示（hint），让它在提示辅助下跑通任务，再训练它在没有提示的情况下自主完成。
每一轮的结果都会被人类审阅者把关——如果一轮训练在拉高某个基准分数的同时损害了另一个隐藏测试集的性能，这轮就会被回退。论文中保留了几条"红色虚线分支"，记录着那些最终被驳回的轮次。
这种方法的本质优势在于它不把医疗AI当作一个"多喂点医学数据就行"的问题。患者沟通失败的原因（遗漏了安全红旗）与电子病历工具调用失败的原因（FHIR资源格式错误）完全不同，解决它们需要截然不同的数据配方。传统的一次性医学语料训练很难同时改善所有维度，而Cura的循环方法允许团队逐项攻克。
三个核心场景的技术表现值得逐一拆解：
患者护理（Patient Care）。 这是循环推动模型进步最大的维度。HealthBench要求模型对开放式临床问题生成回复，由医生按评分标准（rubric）打分。Cura 1T在Professional级别（真实临床对话）达到66.2分，是全部被测模型中的最高分；在Hard级别（难度极高的测试）达到36.8分——这个数字仍需放在上下文中理解：该基准设计之初就是为了让大多数模型得分接近地板，36.8已经是领先GPT-5.5超过5分的水准。论文分析显示，基座Kimi-K2.6在HealthBench上的主要失败模式是遗漏评分要点而非事实错误——而循环通过针对性地添加评分要点覆盖的训练数据，有效修补了这一缺口。
临床推理（Clinical Reasoning）。 MedXpertQA覆盖17个医学专科和11个身体系统的专家级考题，包含文字和多模态（临床影像+患者记录+检查结果）两种形式。Cura 1T在文字分项以60.0分微幅领先GPT-5.5的59.6分；在多模态分项以72.2分排名第二。值得注意的是，这两项均较Kimi-K2.6基座有8.6和5.0个百分点的提升。
医疗代理工作流（Healthcare Agentic Workflows）。 这一场景最接近真实医院环境。AgentClinic模拟多轮临床诊断对话，模型需要采集病史、开具检查、缩小鉴别诊断范围。Cura 1T以79.6分排名第一，其中NEJM病例子集上从基座的40.0%翻倍至80.0%。MedAgentBench则测试模型能否作为原生工具调用者，对运行中的FHIR服务器执行临床任务（开检验单、调取病历、更新图表等）——Cura 1T达到94.0%的任务成功率。不过，一项关键质疑需要在此标注：独立科技作者Chris Meredith指出，该分数比以往公开文献中MedAgentBench的最高水平高出约25个百分点，属于"按任何标准都属于超常声明"（an extraordinary claim by any standard）。由于actAVA未公开模型权重，第三方目前无法独立复现这一结果。
在域外能力保留方面，Cura 1T在AIME 2025（96.7，并列第一）、τ²-Telecom（100.0，第一）、τ²-Retail（88.6，第一）等通用基准上也保持竞争力，表明医疗专项训练并未明显侵蚀通用推理能力。
第四章：团队画像——CMU博士、Salesforce研究院出身，一个正在低调攒局的技术团队
actAVA AI的公开信息极为有限。公司成立于2025年，总部位于美国，定位是"医疗AI工厂"——既做模型（Cura），也做平台（KORA v6，一个医疗代理编排和治理系统）。
核心团队如下：
- Weiran Yao（姚蔚然），联合创始人兼首席AI官，卡内基梅隆大学（CMU）博士。他是Cura 1T发布推文的作者，也是论文的技术核心。
- Frank Wang（王炎），联合创始人兼CTO。此前曾表示，actAVA的使命是帮助医疗机构实现"AI主权"（AI Sovereignty）——即模型和智能应成为机构自有资产，而非供应商的租赁物。
- Kevin Riley，创始人兼CEO。他在LinkedIn的发布帖中透露，训练一个如此规模的模型最初并不在公司的直接规划中，是χ-BENCH研究改变了他们的想法——该研究发现，即使在2026年，最强的前沿AI代理在75项真实长期医疗任务中也只能完成28%-33%。
- Haolin Chen，团队成员，前Salesforce AI研究院科学家，应用数学博士，专注推理、强化学习和代理AI。
- Sanmi Koyejo（斯坦福大学教授，可信赖AI研究专家）以顾问身份公开背书。他在LinkedIn上写道："为医疗构建AI意味着要把那些不光彩的部分当回事：政策、工作流、治理，以及支付方和提供方实际运行的系统。"
目前actAVA尚未公开披露融资信息。Weiran Yao在推文中明确表示"正在开始与持相同观点的投资者对话，DM开放"——换句话说，这既是产品发布，也是一封公开的融资信号。
第五章：竞品格局——医疗AI的"专用 vs 通用"之争，才刚刚开场
Cura 1T并非孤例。2025-2026年间，医疗专用模型赛道正在悄然升温：
- 百川智能（Baichuan AI） 与清华大学联合发布了Baichuan-M4，定位为"持续护理"模型，集成工具使用、患者记忆、行为约束和证据检索能力。
- Google的Med-PaLM 系列早在2023年就证明了大型模型可以编码足够多的医学知识来通过执业资格考试，但这更多是研究探索而非可部署产品。
- OpenAI和Anthropic 的路径则完全相反——用越来越强的通用模型覆盖一切场景，通过API向医疗机构提供服务。
Cura 1T与上述路线的差异点在于三个层面：
第一，所有权模型。actAVA提出客户可以将Cura部署在自己的VPC（虚拟私有云）内，数据不出域，模型持续从机构的政策、工具和工作流中学习，最终成为机构的专有资产。这与"每次调用都经过第三方API"的通用模型模式形成了根本性的定位差异。
第二，成本结构。每百万输出token 2.50美元的定价，对于每日要处理数十万条患者消息、图表摘要和行政文书的大型医疗系统来说，经济账是成立的。Frank Wang在LinkedIn上称Cura的推理成本仅为前沿模型的"1/20到1/100"——即使这个数字打对折，也足以改变采购决策者的计算器。
第三，医疗原生工具链。Cura从一开始就围绕FHIR标准、医生评分标准和多轮诊断对话设计训练数据，而非事后用提示工程来"适配"医疗场景。
但挑战同样现实。actAVA自己在API文档中明确标注："Cura 1T是一个研究模型，不是医疗服务，不能替代临床医生。"从94%的基准分数到一家医院愿意将患者转诊决策交给它的系统，中间隔着验证研究、法律责任认定和监管审查——这个过程以年计，而非以季度计。此外，论文虽然挂在arXiv上，但模型权重并未在Hugging Face公开（截至发稿时，actava-ai组织的models页面显示"0 models"），其"开放"承诺目前仅止于论文和API。
第六章：这道口子一旦撕开，就合不上了
actAVA的Cura 1T是一次产品发布，一份技术论文，也可能是一封写给投资者的情书。但它的真正信号不在这些层面。
它的信号在于：一个十几人的团队，花三周时间，在开源基座上训练出来的专用模型，能在医疗这个最严苛的场景中，在多个维度上击败世界上规模最大、资金最充裕的AI公司生产的通用模型。
如果这个趋势成立——不是"如果它成立"，而是它正在成立——那么前沿模型厂商最核心的商业逻辑"一种模型统治所有场景"将面临来自无数垂直挑战者的持续侵蚀。医疗只是一个开始。法律、金融、制造、教育——每一个拥有高壁垒专业知识和高合规要求的行业，都可能催生自己的"Cura时刻"。
Weiran Yao在推文中写道："下一代企业AI不是一个被所有人租用的模型，而是成千上万个由各家企业拥有并持续改进的专用模型。"无论actAVA这家公司本身最终走到哪里，它所指向的这个方向——企业AI主权——已经不再是一个哲学辩论题。它正在变成一个可验证的基准对决。
参考链接：
AREX Agent 新闻热点追踪。本文基于一手来源（官方推文、技术论文、公司产品页、团队社交媒体声明）和公开报道撰写，所有基准数据均来自论文原文，已在文中标注独立验证的局限性。转载需注明出处。