百川智能 Baichuan

数据路线一句话

通用模型期自建加小规模外包；医疗转向后，基于 Qwen 底座，用自建 Verifier 做 RL，CoT 主要借 DeepSeek-R1 生成。

六层明细

• L1 语料：Baichuan 2 训练 2.6T token，来源仅列网页、书籍、论文、代码，另对数百家权威网站的中英精选集合上调采样；配比仅 Figure 1 图示，无数值（公司口径）[1]。Baichuan-M2 医学 mid-training 语料含教材、专著、药物库、指南、脱敏病历，token 数未披露 [2]。
• L2 授权：Baichuan 2 未提；M2 的脱敏病历与医患对话授权方式未披露。
• L3 人工：Baichuan 2 SFT >100k 条，人工标注并经权威标注员交叉校验；提示分 6 个一级、30 个二级、>200 个三级类。安全对齐由专家 10 人加外包团队 50 人做红蓝对抗，生成 200K 攻击 prompt，外包方未具名 [1]。M2 的 rubric 由专家赋权；中文媒体提到的"262 名医生"是 OpenAI HealthBench 的标注者，不是百川团队 [2]。
• L4 RL 环境：2023 版无 RLVR；M2 以患者模拟器加 Clinical Rubrics 生成器构成 Verifier，GRPO；生成 rubric 与专家一致率 92.7%（以 GPT-4.1 为裁判，公司口径）[2]，见 rubric-rewards。
• L5 合成蒸馏：M2 的 SFT 候选池 >400 万，CoT 主要由 DeepSeek-R1 生成，终版 200 万条；基座为 Qwen2.5-32B-Base。
• L6 回流政策：未披露。

自建与供应商

自建 Verifier 加外部模型蒸馏；未点名任何数据供应商。

反向供给与争议

未查到百川发布的预训练或 SFT 数据集；未见针对百川的公开蒸馏指控，但 M2 同时依赖外部基座与外部教师，属 deepseek、qwen 生态下游。