过去十年，医疗AI经历了两次范式跃迁。

第一次浪潮，是「知识数字化」。

从2010年代中期开始，海量医学教材、指南、论文被数字化，AI具备了检索知识的能力。这个阶段的核心价值，是「信息可及」。

第二次浪潮，是「对话生成」。

LLM出现后，AI不再只是检索和呈现，而是能像人一样组织语言、生成回答。这个阶段的核心价值，是「表达流畅」。

这两次浪潮解决了一个问题：让知识离人更近。但它们都没有解决另一个更深层的问题——让知识真正服务于这个人。用户问了一个健康问题，AI给了一段回答，并没有对这个人长期健康的持续关注。

这，正是今天医疗AI正在跨越的第三个拐点：从「一次回答」到「持续服务」。

2026年7月底，智诊科技正式发布新一代医学大模型WiseDiag V3及全新升级的好伴AI。

这一次升级的核心，不是参数更大、分数更高，而是能力形态的根本转变：好伴AI从「能聊」升级为「能持续服务」。

通过模型、记忆、服务三大底层能力的同步跃迁，好伴AI正在将医疗AI从「单轮问答工具」推向「长期陪伴、主动组织、持续负责」的新阶段。

这是一次技术路线的重新定调，也是一个行业拐点的到来。

从此，模型不再只是一个知识引擎，而是成为能持续理解用户、对结果负责的「健康伙伴」。

今年年初，智诊科技发布了WiseDiag V2。

V2完成的一次关键升级，是让医疗AI从以文本问答为主，进一步具备对医学影像、报告、化验单和体征照片的多模态理解能力。它解决的是医疗AI「看得见、看得懂」的问题，为复杂医疗信息进入统一推理过程建立了底座。

但当模型真正进入家庭健康咨询和复杂病例分析，仅仅「看懂信息」还不够。

一个真实健康问题，往往同时涉及多个科室、既往病史、长期用药和不同时间点的检查结果。模型不仅要识别信息，还必须判断哪些线索更重要、哪些风险应优先排查，以及什么时候应该追问、什么时候必须保持谨慎。

因此，从V2到V3，WiseDiag的升级重点从「多模态认知」，进一步走向「综合医学判断与安全对齐」。

相较于V2，WiseDiag V3的医学继续预训练数据由800亿tokens扩展至1000亿tokens，覆盖科研、疾病、药学、标注问答、临床真实数据、规范、中医及书籍字典八大医学知识层。

按整体数据规模换算，其中包括约27.5万篇论文、36万条优质医疗问答、25,200篇指南共识、2,360本医学书籍，并由50位医学专家参与监督对齐。

更重要的是，WiseDiag V3在后训练体系中加入了OPD多科室专家融合与在线蒸馏机制。

先针对不同专科分别训练专家模型，再将各专科的判断能力汇聚进一个统一的模型。

这让V3具备了从多个专科视角综合分析的能力，模型能够把多个线索放在同一套医学逻辑中分析，减少症状、报告和用药信息彼此割裂的情况。能给出一组经过多角度验证的判断。

与此同时，WiseDiag V3还部署了一套自研的生成式奖励模型GRM。

GRM在模型训练过程中充当「医学评审官」角色——模型训练中每生成一个回答，评审官会从准确性、完整性、安全性、表达清晰度四个维度给它打分，然后用这个分数反过来优化模型本身。这样，就减少了AI胡说八道的可能。

正是这套训练体系的升级，让WiseDiag V3在权威评测中全面领跑，取得多次全球第一。

上下滑动查看更多

在真实的用药咨询场景中，这种升级带来的差异极为明显，因为WiseDiag V3看见的，是整个人的健康风险结构。

V2回答了一个问题，V3给出了一套可执行的行动方案，这就是从「医学题库」到「专家级医疗大脑」的跨越。

下面就是一个真实的用户案例。

一位28岁的年轻女性，脸上反复长痘、月经不规律、体重半年涨了15斤。

期间，她曾分三次向某AI求助，系统依次给了三个独立判断：皮肤问题推荐药膏，月经紊乱建议调作息，发胖归因代谢变慢。对于这三个症状，AI给出了三个答案，却从未把它们联系到一起。

直到做孕前检查，她才确诊了多囊卵巢综合征。看似各不相干的「长痘、发胖、月经乱」，其实是同一个病在皮肤、代谢、生殖系统的同步投影。

可以上下滚动的图片

因为错失了早期干预窗口，患者的排卵功能已经受到明显影响，医生评估未来可能需要借助辅助生殖才能怀孕。

而WiseDiag V3在面对类似主诉时，会综合内分泌、妇科、皮肤科等多学科知识进行关联推理，主动提示「多囊卵巢综合征的可能性需排查」，并建议完善性激素六项和妇科B超，而不是孤立地给出三个答案。

更专业的医疗AI，就是应该给出综合的医学判断与安全对齐。

智诊年初的发布会已经讨论过AI记忆的底层机制——跨对话记忆、联想回忆、长期信息调用。

此次好伴AI的记忆跃迁，则进一步把这些能力带入真实家庭健康场景，解决「记得住之后，能不能理得清」的问题。

传统的健康产品，通常按照是一个账号、一个当前档案。但在真实的家庭场景中，用户可能今天问自己的高血压，明天帮老妈问头晕，后天给孩子查咳嗽。这样一来，建议就乱了；而且，同一个人在不同的时间问同一个症状，系统也不记得上一次发生了什么。

医疗记忆的第一原则，不是记得越多越好，而是先把人分清楚。这次，好伴AI的记忆就做了几大升级。

升级一：自然语言识别家庭成员

好伴AI不再需要用户手动切换档案。你说「我妈老毛病又犯了」，系统自动识别这次在说妈妈，调取对应的健康信息。只要一句话，就能完成身份归属。

升级二：结构化健康档案

识别出「谁」之后，系统会调取什么？

好伴AI在每一次对话中沉淀的不仅是聊天记录，而是结构化的健康事实——既往病史、用药记录、过敏史、最近体检指标、历史咨询结论。

这些信息以可计算、可更新的结构化方式存储，而不是散落在对话文本里。当用户再次咨询时，这些档案会自动归位，进入本次判断的上下文。

可以上下滚动的图片

升级三：透明可控的信息写入

系统并不会把所有聊天内容直接写入长期档案。对于具有持续价值的新健康信息，好伴AI会通过「确认卡片」提示用户核对——你可以选择保存、暂不保存，也可以撤销。

这种机制，就大大减少了信息误写和家庭成员串档的风险。

升级四：新家庭成员自动补充

当用户提到「我刚出生的小侄子有点黄疸」，好伴AI会自动识别这是一个新的家庭成员，追问出生天数、胎龄、喂养方式等关键信息，生成档案候选卡，用户确认即完成建档。家庭健康管理，不需要用户当档案管理员。

来看一个真实的家庭问诊场景。用户说：「我妈老毛病又犯了，最近又头晕。」

在普通的单轮问答中，大多数AI只能给出「注意休息、补充水分、建议观察」等泛化建议。

但好伴AI结合了母亲真实的健康背景——5年高血压史、长期服用降压药、上月体检血脂偏高——系统在一秒内完成识别与调取，将所有相关档案带入本次判断，随后追问：「请问这次头晕是天旋地转还是头重脚轻？今早血压量过吗？有没有肢体无力、说话不清的情况？」

同一句「头晕」，放在20岁年轻人和65岁高血压患者身上，风险判断完全不同。

好伴AI不需要用户重新交代一遍「我妈有高血压、在吃降压药」，只要跟它说「老毛病」，系统看到的就是一整段健康来龙去脉。

这是底层底座最硬核的跃迁。通过引入 Agentic Training 与 Z-loop 框架，好伴 AI 将单纯的「文本生成」变成了严密的「标准临床工作流（Loop Agent）」。AI 从一个被动的答题者，变成了主动的服务组织者。

全新的 Z-loop 五步智能服务流，让每一次咨询都成为一场专业的医疗服务：

因为这层跃迁，好伴AI帮一位52岁女性发现了肺里的「捷径」。

之前，她因急性脑梗入院，无房颤、高血压、糖尿病等常见危险因素，心脏超声未见心内分流。但有一组不寻常的发现：静息血氧偏低（PaO₂ 68mmHg）、肺通气灌注显像提示双肺多发灌注缺损。

最可能的病因是什么？摆在眼前的线索，得出的结论是矛盾的。

脑梗了，但找不到常见原因；心脏检查阴性，肺那边又有异常。背后原因，就是信息之间对不上。

好伴AI没有草率作答。它的多智能体服务流拆解为五步：

最终好伴AI综合研判，锁定肺动静脉畸形（PAVM）——肺里有一条「捷径」，静脉血不走正常路线去交换氧气，直接抄近道进入动脉。

可以上下滚动的图片

这就解释了低氧，也解释了脑梗——小血栓通过这条「捷径」直接进入动脉系统。而且这条通道在肺里，不在心脏，所以心脏超声当然查不到。

就这样，经过五步服务流，好伴AI将肺动静脉畸形列为最需要优先排查的风险方向，并形成下一步行动建议：做肺血管CT造影确认位置和大小；评估介入栓塞治疗；抗凝方案需要经内科和介入科共同评估。

这个过程中，好伴AI替你查了资料、找了专家、做了会诊，最后告诉你：下一步该做什么。

这就是服务跃迁带来的本质变化。

2026年，注定是医疗AI的转折之年。

过去十年，这个行业衡量进步的标准一直是模型参数和榜单分数。但今年，我们看到一个根本性的变化：评价医疗AI的标准，正在从「模型多强」转向「服务多完整」。

这个标准的变化，意味着医疗AI终于开始对自己的回答负责，而不是只对当下的提问负责。

智诊科技推动好伴AI完成的三层跃迁，是为了回答一个更本质的问题：当一个人把健康问题交给AI时，AI应该承担什么样的责任？

答案应该是：它会对这个人和家庭的一生健康负责。

这也是智诊科技对行业的贡献。它不仅仅是做了一款更好的健康问答工具，而是定义了一套医疗AI应该承担责任的完整框架。

它让所有人重新思考这个行业命题：医疗AI究竟应该如何服务用户？

未来，当行业讨论医疗AI的「好用」，会从三个维度展开：模型除了专业，还要足够审慎；记忆系统除了记得住，还要分得清；服务流程除了能回答，还要能完整闭环。

这正是好伴AI今天验证的路线，也是医疗AI进入新阶段的标志