Michael Chen

OpenMed 一口气开源了 380 多个医疗 NER 模型，永久免费！在大健康行业摸爬滚打过你就知道我此刻的心情是有多激动。这壮举，真的值得点三炷香。 过去十年，医疗 AI 领域绝大部分公司一直卡在缺失行业模型的阶段。尤其像 NER 这种基础能力，说它基础，但又复杂得几乎没人能自己训出来；说它重要，又几乎支撑了所有下游任务，比如病历结构化、药物识别、编码归类、知识图谱、文本生成、用户脱敏……，这 380 多个模型，直接打通了最难搞的第一公里。把“医疗 NLP 能力”从象牙塔拉到产品前线的动作。 作为从业者，这次我最震撼的亮点有这几个： 1️⃣ 细分场景做得极细，真的懂业务 药物识别（PharmaDetect）、疾病抽取（DisorderDetect）、肿瘤实体（OncoDetect）、解剖结构、基因组学、社会健康因素（如生活习惯、环境影响）……全部单独建模，直接贴近实际业务线。 2️⃣ 性能好到不像开源，能直接上线用 在 13 个公开医学数据集上打到 F1 0.98+，有的甚至接近 0.998，是我们过去买商用模型都不敢想的指标，而现在，免费下载、开箱即用，连 license 都不设限。 3️⃣ 部署门槛极低，团队试错成本几乎为 0 三行代码就能跑，支持 CPU、GPU，能跑在本地、服务器、小型集群，让我们这种做实际业务的人能动手、能组合、能快速做出一个 demo 上线试错。 4️⃣ 工程化思路完整，不是科研项目的半成品 命名规范统一、model card 详细、支持批量 inference、评估标准全开放，不像很多医学模型是“发表即完工”。 举几个例子吧： AI 视频科普生成 → 需要做医学术语提取 + 解释 医生端知识总结 → 需要从临床 EMR 中提取药品、病症 私域问诊服务分析 → 需要自动结构化用户的主诉信息 健康档案风控 → 需要做实体识别 + 隐私脱敏 + 标签补全 你要说大模型也能做，但是只有 60 分水平。在严肃的行业里垂类的模型价值还是太大了。 说句真心话，OpenMed 把医疗 AI 的入场门槛拉到了脚后跟，让我们这些原本要跪着做模型、拿着小数据硬撑业务的人，终于有了能站起来干活的基础设施。 如果你也是同行，请别错过这波模型。我已经有些想法在发酵了。