一个只有2B参数的小模型，被放进了临床AI的工作流里。OpenMed把自家平台和MiniCPM5-2B配在一起，试的是本地跑通一整套临床数据处理链路——数据不出本地硬件，模型负责调用工具、做推理、读长上下文。

这件事的看点不在模型多大，而在它被放在了哪一层。

打开网易新闻 查看精彩图片

模型当"调度员"，平台先做脱敏

在这套组合里，MiniCPM5-2B承担的是agent层的角色。它负责调用工具、对比化验结果、生成临床交接记录，并且输出时带上来源引用。

数据进入模型之前，先过OpenMed这一关：屏蔽敏感身份标识，抽取临床上下文。也就是说，模型看到的不是原始病历，而是处理过的信息。

这个顺序很关键。脱敏在前、推理在后，模型本身不接触可识别的患者信息，推理过程留在本地硬件上完成。

2B规模，为什么能上临床

2B这个量级意味着什么？意味着它能在资源受限的硬件上做实际推理，不需要把数据送到远端算力。

对临床场景来说，这是能落地的前提。模型再强，如果必须把患者数据传出去才能跑，很多机构根本不会考虑。

而MiniCPM5-2B这次展示的能力清单包括三项：

  • 工具调用——模型主动去调外部工具，而不是只做文本生成
  • 推理——在临床数据上做判断和比对
  • 长上下文理解——处理较长的临床信息

这三项凑在一起，才构成了"agentic workflow"的基础。单看任何一项，都不足以支撑一个能干活的工作流。

从跑分到干活，中间隔着一整套流程

这次合作想说明的，是开放模型可以把临床数据处理和agent工作流接起来，同时把推理留在本地硬件上。

MiniCPM5-2B由此从独立的模型评测，走到了真实的医疗工作流里。工具使用、推理、本地部署，这三件事被放在同一个场景中验证。

OpenMed和MiniCPM5-2B的组合，本质上是一次分工演示：平台管隐私和上下文，模型管调度和判断。谁做哪一段，边界划得很清楚。

对做本地AI的人来说，这个思路可以复用——不是所有任务都需要大模型，也不是所有数据都能离开本地。