Upload folder using huggingface_hub

README.md

@@ -1,3 +1,126 @@
----
-license: apache-2.0
----
+---
+license: apache-2.0
+tags:
+- chat
+library_name: transformers
+language:
+- en
+- zh
+base_model:
+- Qwen/Qwen2.5-32B
+---
+<div align="center">
+
+# Baichuan-M2-32B
+
+[![License](https://img.shields.io/badge/License-Apache%202.0-blue.svg)](https://opensource.org/licenses/Apache-2.0)
+[![Hugging Face](https://img.shields.io/badge/🤗%20Hugging%20Face-Model-yellow)](https://huggingface.co/baichuan-inc/Baichuan-M2-32B)
+
+</div>
+
+## 🌟 模型简介
+
+Baichuan-M2-32B 是百川智能推出的医疗增强推理模型，这是百川开源发布的第二个医疗增强模型，专为真实世界的医疗推理任务设计。该模型基于 Qwen2.5-32B 基座，通过创新的大型验证器系统（Large Verifier System）从真实世界的医疗问题出发，进行医疗领域后训练对齐，在保持模型通用能力的同时，实现了医疗效果的突破性提升。
+
+**模型特点：**
+
+Baichuan-M2 采用了三个核心技术创新：首先通过**大型验证器系统**，结合医疗场景特点设计了全面的医疗验证体系，包含患者模拟器和多维度验证机制；其次通过**医疗领域适应性增强**的中期训练（Mid-Training），在保持通用能力的同时实现轻量高效的医疗领域适应；最后采用**多阶段强化学习**策略，将复杂的 RL 任务分解为层次化的训练阶段，逐步提升模型的医学常识、推理和患者交互能力。
+
+**核心亮点：**
+- 🏆 **全球最强医疗开源模型**：在 HealthBench 评测集上超越所有开源模型及众多前沿闭源模型，是最接近 GPT-5 医疗能力的开源大模型
+- 🧠 **医生思维对齐**：基于真实病例数据和患者模拟器训练，具备临床诊断思维和鲁棒的医患交互能力
+- ⚡ **高效部署与推理**：支持 4bit 量化在 RTX4090 单卡部署，MTP 版本单用户场景下 token 吞吐提升 58.5%
+
+
+
+## 📊 性能表现
+
+### HealthBench指标
+
+| 模型名称 | HealthBench | HealthBench-Hard | HealthBench-Consensus |
+|----------|-------------|------------------|-----------------------|
+| Baichuan-M2 | 60.1 | 34.7 | 91.5 |
+| gpt-oss-120b | 57.6 | 30 | 90 |
+| Qwen3-235B-A22B-Thinking-2507 | 55.2 | 25.9 | 90.6 |
+| Deepseek-R1-0528 | 53.6 | 22.6 | 91.5 |
+| GLM-4.5 | 47.8 | 18.7 | 85.3 |
+| Kimi-K2 | 43 | 10.7 | 90.9 |
+| gpt-oss-20b | 42.5 | 10.8 | 82.6 |
+
+### 通用指标
+
+| 评测集 | Baichuan-M2-32B | Qwen3-32B |
+|--------|-----------------|-----------|
+| AIME24 | 83.4 | 81.4 |
+| AIME25 | 72.9 | 72.9 |
+| Arena-Hard-v2.0 | 45.8 | 44.5 |
+| CFBench | 77.6 | 75.7 |
+| WritingBench | 8.56 | 7.90 |
+
+*备注：AIME 的 max_tokens 设为 64k，其他评测集设为 32k，温度统一为 0.6。*
+
+
+## 🛠️ 技术特色
+
+### 大型验证器系统
+- **患者模拟器**：基于真实病例构建的虚拟患者系统
+- **多维度验证**：医学准确性、回答完整性、追问感知等 8 个维度
+- **动态评分**：实时生成评分标准，适应复杂临床环境
+
+### 医疗领域适应
+- **Mid-Training**：医疗知识注入的同时保持通用能力
+- **强化学习**：多阶段 RL 策略优化
+- **通专兼顾**：2:2:1 配比的医疗、通用、数学数据
+
+## 🔧 快速开始
+
+### 安装使用
+
+```bash
+# 安装依赖
+pip install transformers torch vllm sglang
+
+# Transformers 使用
+from transformers import AutoTokenizer, AutoModelForCausalLM
+model = AutoModelForCausalLM.from_pretrained("baichuan-inc/Baichuan-M2-32B", trust_remote_code=True)
+
+# vLLM 使用（推荐）
+from vllm import LLM
+llm = LLM(model="baichuan-inc/Baichuan-M2-32B", trust_remote_code=True)
+
+# SGLang 使用
+python -m sglang.launch_server --model-path baichuan-inc/Baichuan-M2-32B
+```
+
+## ⚠️ 使用须知
+
+1. **医疗免责声明**：本模型仅供研究和参考，不能替代专业医疗诊断和治疗建议
+2. **适用场景**：医学教育、健康咨询、临床辅助决策等
+3. **安全使用**：建议在专业医疗人员指导下使用
+
+## 📄 许可证
+
+本项目采用 [Apache License 2.0](LICENSE) 开源协议，欢迎研究和商业使用。
+
+## 🤝 致谢
+
+- 基础模型：Qwen2.5-32B
+- 训练框架：VERL
+- 推理引擎：vLLM、SGLang
+- 量化方法：AutoRound、GPTQ、QuaRot、QQQ
+
+感谢开源社区的贡献，我们将持续回馈社区，推动医疗 AI 技术发展。
+
+## 📞 联系我们
+
+- 更多资源：[百川智能官网](https://www.baichuan-ai.com)
+
+- 技术交流：[GitHub](https://github.com/baichuan-inc)
+
+---
+
+<div align="center">
+
+**让AI助力医疗，让健康触手可及**
+
+</div>