华佗GPT-3-27B 开源：基于 Qwen3.8 的医疗大模型采用单阶段 RL

华佗GPT-3-27B（HuatuoGPT-3-27B）是由 FreedomIntelligence 团队开源的医疗领域大语言模型，基于通义千问 Qwen3.8-27B 构建，并采用了一种全新的单阶段策略优化（One-stage Policy Optimization，简称 OnePO）方法进行训练。团队同步开源了训练代码、医学强化学习数据集以及一个 8B 参数的评分模型（rubric grader）。

模型与 OnePO 训练方法

HuatuoGPT-3-27B 参数量为 270 亿，与一周前发布的 9B 版本构成系列互补。OnePO 是本次发布的核心技术亮点，其设计思路与常见的「SFT + RLHF」两阶段方案有明显差异，主要包含以下特点：

跳过传统的领域监督微调（SFT）阶段，直接通过强化学习让模型适配医学场景；
教师模型的回复仅作为临时引导信号，会随着模型能力提升而逐步「退役」；
整个适配过程被压缩在单一强化学习阶段内，简化了训练链路。

这一思路试图降低对高质量医学领域标注数据的依赖，让模型在探索式学习中直接形成医学推理能力。

开源资源一览

此次发布并非只放出权重，团队还同步开放了完整的训练配套资源：

训练代码：支持复现 OnePO 全流程；
医学 RL 数据集：用于强化学习阶段的奖励建模；
8B 评分模型（rubric grader）：为强化学习提供奖励信号。

以上资源均已在 Hugging Face 平台公开，延续了华佗GPT 系列一直以来的开源传统。

系列背景与意义

华佗GPT 系列由 FreedomIntelligence 持续推进，专注于中文医疗场景的大模型研究。上周发布的 9B 版本主打轻量部署，本次 27B 版本搭配 OnePO 新方法，则为社区提供了一种不同于传统流程的医学大模型训练范式参考。对于关注医疗 AI、RL 训练方法以及开源中文模型的开发者与研究者来说，这是一次兼具工程资源与方法论参考价值的更新。