Cura 1T：面向医疗场景的专用大模型

arXiv 上一篇新预印本介绍了名为 Cura 1T 的医疗专用大模型，针对当前通用大模型在医疗场景中表现不均衡的问题，提出了一套以数据为中心的训练方法。

研究动机：医疗任务的异质性

医疗场景对模型的要求跨越多个层面，包括高风险的患者沟通、覆盖文本与影像的临床推理、交互式诊断以及电子健康记录（EHR）工具调用。这些能力失败的方式各不相同，针对单一任务的窄幅更新往往会拖累其他任务的表现。研究团队认为，仅靠一次性的通用医疗数据微调难以同时兼顾，因此需要一种更精细的迭代机制。

核心方法：人控自演化循环

Cura 1T 的训练采用「人控自演化循环」（human-gated self-evolution loop）。在每一轮演化中，一个训练智能体按以下步骤推进：

• 规划一个需要重点提升的目标能力；
• 据此对模型进行训练；
• 在基准上跑出轨迹并评估结果；
• 根据实际失败样例，反向调整下一轮的数据配比。

这种数据驱动的循环并非使用单一的大规模通用医疗语料，而是用有针对性的合成样本与人工策展数据，针对性地补齐薄弱环节，并通过人类把关保证演化方向不偏离。

评测表现：医疗任务领先，域外能力不退化

在医疗评测套件上，Cura 1T 在多项基准中位列前沿基线的「第一梯队」或与其持平。同时，研究团队也报告了其在域外推理与智能体基准上的成绩，强调模型在专精医疗任务的同时保留了通用能力。

待观察的问题

目前可获取的信息仍限于摘要层面：模型的具体参数量、「1T」所指的训练数据规模、所用基准的具体分数，以及与哪些前沿基线直接对比等关键细节尚未在公开材料中给出。作为一份新发布的预印本，Cura 1T 的方法路径值得同行跟进验证，但更全面的判断仍需等待后续全文与第三方复现。