医疗是 AI 落地最有价值、也最困难的领域之一。而医疗 AI 最大的瓶颈，往往不是模型，而是数据——医疗知识专业性强、安全敏感、且通用语料（Wikipedia、Common Crawl）根本覆盖不到。Huatuo-26M 就是为了填补这个空白而生的一份数据：它把中文医疗问答数据的规模，从「几万条」直接推到了「2600 万条」，比此前最大的中文医疗 QA 数据集高了整整两个数量级，并以 Apache 2.0 开源。
数据集速览卡
| 项目 | 内容 |
|---|---|
| 数据集名称 | Huatuo-26M |
| 发布机构 | 香港中文大学（深圳）、深圳大数据研究院、北京智源研究院等 |
| 发布时间 | 2023 年 5 月（arXiv:2305.01526） |
| 规模 | 超过 2600 万条中文医疗问答对 |
| 许可证 | Apache 2.0 |
| 用途定位 | 中文医疗问答、检索、RAG、医疗模型继续预训练 |
背景：医疗 AI 的「数据荒漠」
要理解 Huatuo-26M 的价值，得先理解医疗 AI 面对的那个根本困境。
预训练语言模型（PLM）在通用 NLP 上已经取得巨大成功，但医疗领域需要的是「专业化的、高质量的」知识，而通用数据集（Wikipedia、Common Crawl）并不完全覆盖这些知识。对于全球 14 亿中文使用者来说，这个问题更严重——中文的医疗资源，本来就比英文的更难获取。
在 Huatuo-26M 出现之前，已有的中文医疗 QA 数据集规模都很小，大约在 2500 条到 10.8 万条之间（比如 cMedQA2、webMedQA）。这个量级，对于训练一个「真正能用的」医疗模型来说，远远不够。Huatuo-26M 的目标，就是「提供医疗领域所需的规模」——把数据量推到一个足以支撑严肃研究和应用的水平。
数据构成与规模
Huatuo-26M 的 2600 多万条数据，是通过三条互补的路径采集的：
- 在线问诊记录（huatuo_consultation_qa）：这是占比最大的部分——超过 2500 万条来自医疗问诊网站的真实问答对。这部分数据最贴近「真实的患者提问 + 医生回答」。
- 医学百科（huatuo_encyclopedia_qa）：从中文 Wikipedia 和健康类网站的结构化信息，通过人工模板转换成问答对。
- 医学知识图谱（huatuo_knowledge_graph_qa）：把三个中文医疗知识图谱（CPubMed-KG、39Health-KG、Xywy-KG）里的三元组，用 43 种不同的问题模板转换成问答对。
这三条路径的互补性很巧妙：问诊记录提供「真实的、口语化的患者提问」；百科提供「结构化的医学知识」；知识图谱提供「可推理的实体关系」。合起来，数据既「接地气」又「有知识深度」。
每条问答对包含两个核心字段：question（问题描述）和 answer（医生/专家的回答）。此外还有一个由多来源随机采样组成的测试集（huatuo26M-testdatasets，约 6000 条）。
一个需要特别说明的细节是：由于某些原因，占比最大的「在线问诊记录」部分，目前只公开了 URL 形式（而非文本形式）。也就是说，你可以拿到这些问答的「链接」，但实际的文本内容需要你自己去对应网站抓取。这对使用者来说是一个实际的门槛。
清洗与构建方法
Huatuo-26M 的构建方法，最有价值的是它揭示的一个「语义桥梁」现象。
数据集刻意捕捉了「口语化、症状导向的患者提问」到「专业的医学回答」之间的转换——这正是医疗 AI 最难、也最有价值的场景：患者不会用专业术语，他们说的是「我最近老觉得头晕、胸口闷」，而医生回答的是「建议检查血压、心电图，排除……」。这种「从俗语到术语」的映射，是 Huatuo-26M 数据里最珍贵的部分。
在构建上，百科和知识图谱部分用了「模板化转换」——把结构化的医学信息，通过人工设计的模板，批量转成问答对。知识图谱部分用了 43 种问题模板，把「实体-关系-实体」的三元组变成自然语言问答。这种「模板化」虽然不如人工逐条标注精细，但能低成本地规模化，这正是它能做到 2600 万条的关键。
在评测上，团队用检索和生成两类模型做了基准测试，得出一个很能说明问题的结论：检索在这个规模下极其困难。用 2600 万条作为候选，即使是密集检索模型 DPR，召回率也低得可怜（Recall@5 只有约 6.79%）。这说明「医疗搜索空间」的复杂度，远高于通用网页搜索——患者在问「头晕」时，背后可能是上百种不同的疾病和情境。
下载与使用
Huatuo-26M 在 Hugging Face 上以 FreedomIntelligence/huatuo_* 系列发布，加载方式：
from datasets import load_dataset
# 知识图谱部分
kg = load_dataset("FreedomIntelligence/huatuo_knowledge_graph_qa")
# 百科部分
ency = load_dataset("FreedomIntelligence/huatuo_encyclopedia_qa")
# 问诊记录部分（仅 URL）
cons = load_dataset("FreedomIntelligence/huatuo_consultation_qa")
# 测试集（约 6000 条）
test = load_dataset("FreedomIntelligence/huatuo26M-testdatasets")数据的主要用途有三类：一是训练医疗问答/生成模型；二是作为「检索增强生成」（RAG）的外部知识库——论文证明了 Huatuo-26M 作为 RAG 知识库对提升回答质量有效；三是作为「继续预训练」的语料——用这些问答对继续预训练，能提升现有模型在中文医疗任务上的表现（论文里 RoBERTa-base 继续预训练后，CBLUE 基准平均分从 69.3 提升到 70.1）。
许可证与商用注意
Huatuo-26M 采用 Apache 2.0 许可证，这是一个对商用相当友好的协议——允许自由使用、修改、分发，且可以商用。
但医疗数据的「商用注意」远不止许可证这么简单。最大的问题是安全：2600 万条数据无法逐条人工验证，其中可能存在错误的、过时的、甚至有害的医学信息。而且医学知识是动态的——今天正确的治疗方案，明天可能就过时了。更关键的是，生成式医疗问答用于临床部署时，如果没有「人工在环」（human-in-the-loop）的验证，误导性的 AI 建议可能带来严重的健康后果。所以，Huatuo-26M 适合「研究、辅助、RAG」，但绝不适合「直接当成医疗诊断的最终依据」。
横向对比同类数据集
把 Huatuo-26M 和同赛道的医疗数据集对比，能更清楚它的位置。
和 cMedQA2 / webMedQA（此前的最大中文医疗 QA）比，Huatuo-26M 的规模是它们的两个数量级以上——这是一个「量级」的跃迁，而非「增量」。和 MedQA / MedMCQA（英文医疗评测基准）比，那些是「评测基准」（用于打分），而 Huatuo-26M 是「训练语料」（用于训练/检索）——用途不同。和 Huatuo-Lite（它自己的精炼版）比，Huatuo-Lite 是对 Huatuo-26M 做了「多轮净化和重写」的优化版，数据维度更多、质量更高，适合「追求质量而非规模」的场景。
一个可以提炼的规律是：中文医疗数据的「规模瓶颈」被 Huatuo-26M 打破了，但「质量瓶颈」和「安全瓶颈」仍然存在——这正是后续工作（如 Huatuo-Lite、以及各种医疗 LLM）要解决的。
局限与争议
Huatuo-26M 的局限，集中在三个「医疗数据特有的」问题上。
第一是质量无法保证。2600 万条数据无法逐条人工验证，其中可能混入错误或不准确的医学信息。这对医疗场景尤其危险——一个错误的心电图解读建议，后果可能很严重。
第二是知识时效性。医学知识更新很快，静态数据集天然存在「过时」的风险。用 Huatuo-26M 训练出的模型，可能「不知道」最新的诊疗指南。
第三是临床部署的安全鸿沟。论文自己也强调，生成式医疗问答在没有人工在环验证的情况下用于临床，是有风险的。这份数据的正确定位是「研究和辅助」，而非「替代医生」。
三条采集路径，藏着「领域数据怎么造」的方法论
Huatuo-26M 最有价值的，不只是「它有多少数据」，而是它那「三条采集路径」背后体现的「领域数据构建方法论」。对任何想「自建垂直领域数据」的团队，这套方法论都有直接的参考价值。
第一条路径是「真实问诊记录」——占比最大，超过 2500 万条。它的价值在于「真实性」：这些是真实的患者提问 + 医生回答，天然包含了「口语化的症状描述 → 专业化的医学解释」这个转换。但它的代价也很明显：真实问诊数据里，充斥着口语、错别字、模糊表述、甚至误导性的信息，清洗和利用的难度不低。这条路径的启示是：「真实数据」最有价值，但也最「脏」，需要付出最多的清洗成本。
第二条路径是「医学百科」——从 Wikipedia 和健康网站的结构化信息，通过模板转成问答对。它的价值在于「知识准确性」：百科的内容相对权威、结构化，转成的问答对「知识密度」高。这条路径的启示是：「结构化知识」可以低成本地转成「训练数据」，前提是有好的模板设计。
第三条路径是「知识图谱」——把 CPubMed-KG、39Health-KG、Xywy-KG 三个中文医疗知识图谱的三元组，用 43 种问题模板转成问答对。这条路径最巧妙：知识图谱里的「实体-关系-实体」三元组（比如「阿司匹林 – 治疗 – 头痛」），是「可推理」的结构化知识，用模板转成「阿司匹林能治什么？」「什么能治头痛？」这类问答，就得到了「可推理」的训练数据。这条路径的启示是：「知识图谱」是「领域数据」的一座金矿，用模板化转换可以高效开采。
把三条路径合起来，能看到一个清晰的「领域数据构建」方法论：「真实数据」提供「接地气」，「结构化知识」（百科+图谱）提供「知识深度」，两者互补。Huatuo-26M 之所以能做到 2600 万条，正是因为它把这三条路径「并联」起来，各自发挥所长。这个「多路径并联」的思路，是「领域数据」从「小作坊」走向「大规模」的关键。
「26 万候选下召回率只有 6.79%」：一个被低估的残酷现实
Huatuo-26M 的论文里，有一个数字特别值得单独拿出来说，因为它揭示了一个很多「做医疗 AI」的人会低估的残酷现实。
这个数字是：在 Huatuo-26M 的检索基准测试里，用 2600 万条作为候选，即使是密集检索模型 DPR，Recall@5 也只有约 6.79%。这意味着什么？意味着「在 2600 万条医疗问答里，找到和当前问题最相关的那 5 条」，正确率只有不到 7%——绝大多数的「相关问答」，检索模型根本找不到。
这个「低得惊人」的召回率，说明了一个医疗领域特有的难题：医疗检索的「语义空间」，远比通用网页检索复杂。一个患者说「我头晕」，背后可能是低血糖、高血压、贫血、耳石症、颈椎病……上百种不同的疾病和情境。同一个「症状词」，对应着海量的、差异巨大的「正确答案」。这种「一对多」的语义映射，让「找到真正相关的知识」这件事，比在通用网页里「找到相关的网页」难得多。
这个现实，对「医疗 RAG」（检索增强生成）的从业者是一个重要提醒：别以为「堆一个大规模医疗知识库 + 一个通用检索器」就能解决医疗问答。医疗检索的「低召回」，意味着你的 RAG 系统很可能「找不到该找的知识」，从而让生成部分「无米下锅」或「用错米」。解决这个问题，需要医疗领域特定的检索技术——比如「症状归一化」（把「头晕」映射到标准医学术语）、「疾病候选生成」（先猜可能的疾病，再检索）、「多跳检索」（症状 → 检查 → 疾病的分步检索）等。
这个数字也反过来解释了为什么「医疗大模型」那么难做：它不只是「生成」难，连「检索」这个前置环节都很难。Huatuo-26M 的价值之一，恰恰在于它用「规模」把这个「检索难题」暴露了出来——有了 2600 万条的规模，你才能看到「召回率 6.79%」这个残酷现实；如果只有几万条，这个难题根本「显现不出来」。
医疗数据的「安全红线」：为什么它不能随便用
Huatuo-26M 虽然是 Apache 2.0 开源、可商用，但「医疗数据」这个品类，有一条比其他领域都更「硬」的安全红线，值得单独讲清楚。
这条红线的核心是：医疗 AI 的错误，代价可能是健康甚至生命。一个通用的对话模型「胡编」一个答案，最多是「不靠谱」；但一个医疗模型「胡编」一个用药建议或诊断结论，可能导致患者「误诊误治」。这个「代价的不对称」，让医疗数据的「质量」和「安全」要求，比任何领域都高。
具体到 Huatuo-26M，有几个「安全」层面的问题必须清醒认识：第一，2600 万条数据无法逐条人工验证，其中必然存在「错误、过时、甚至有害」的医学信息——比如过时的用药建议、错误的疾病对应关系。第二，医学知识是「动态」的，静态数据集天然存在「过时」风险——今天正确的方案，明天可能被新指南推翻。第三，「生成式医疗问答」用于临床部署时，如果没有「人工在环」的验证，误导性的建议可能造成实际伤害。
所以，Huatuo-26M 的正确定位，是「研究、辅助、RAG 的知识源」，而不是「医疗诊断的最终依据」。论文作者自己也明确强调了这个边界。对使用者来说，这意味着：你可以用它训练模型、做检索增强、做医学 NLP 研究，但绝不应该让「直接用 Huatuo-26M 训练出的模型」去「替代医生」做诊断。
这个「安全红线」的启示，其实超出了医疗领域：任何「高风险领域」（医疗、法律、金融）的数据，其「开源可商用」的许可证，都不等于「可以无脑用于高风险决策」。许可证管的是「能不能用」，而「安全」管的是「敢不敢用」，两者是完全不同的两个维度。做高风险领域的数据和模型，必须把「安全」当作一个独立的、前置的考量，而不是「事后补的合规动作」。
Huatuo-26M 之后：中文医疗大模型的一条清晰脉络
Huatuo-26M 的价值，还可以从「它之后发生了什么」这个角度来印证——它实际上是「中文医疗大模型」这条脉络的一个关键起点。
Huatuo-26M 发布之后，中文医疗大模型领域迎来了一波「爆发」。基于 Huatuo-26M 的「规模」和「开源」，后续涌现出了一批中文医疗大模型——这些模型大多以 Huatuo-26M（或其精炼版 Huatuo-Lite）作为核心训练语料，在此基础上做继续预训练或微调。也就是说，Huatuo-26M 不仅是一份「数据」，更是一块「地基」——它把「中文医疗数据的规模瓶颈」打破了，让「训练一个像样的中文医疗大模型」从「不可能」变成了「可能」。
团队后来还推出了 Huatuo-Lite，这是 Huatuo-26M 的一个「精炼和优化」版本——经过多轮净化和重写，数据维度更多、质量更高。这个「从规模到质量」的迭代，本身就说明了一个规律：领域数据的发展，往往是「先解决规模、再解决质量」——先用规模打开局面，再用质量收敛价值。Huatuo-26M 解决了「有没有」，Huatuo-Lite 在解决「好不好」。
这条脉络给「领域数据」建设者的启示很实在：「规模」是「入场券」，「质量」是「护城河」。先用一个「够大」的数据集，把这个领域「撬开」（让研究者有东西可用、让模型有数据可训）；再在这个基础上，投入精力做「质量优化」，建立起真正的竞争优势。Huatuo-26M 走完了前半程，它的后续（Huatuo-Lite、以及各种医疗大模型）在走后半程。
参考来源
- Li et al.《Huatuo-26M, a Large-scale Chinese Medical QA Dataset》（arXiv:2305.01526）
- GitHub：FreedomIntelligence/Huatuo-26M
- Hugging Face：FreedomIntelligence/huatuo_knowledge_graph_qa 等系列
- OpenDataLab：Huatuo-26M
