百川智能大模型业务简介总结：国产大模型选型实战指南

去年冬天，我陪一家做合同审查的团队做模型选型，前后跑了六七个国产大模型。百川智能是里面最"分裂"的一个：API接入顺滑得让人意外，官方文档的更新节奏却慢半拍；开源版本放得相当大方，可公司对外讲话的重心又几乎全压在医疗上。为了搞清楚这套业务究竟是怎么搭起来的，我翻了它两年的技术报告、发布会实录和GitHub提交记录，这篇就是我的百川智能大模型业务简介总结。

如果只用一句话概括：百川是国产大模型里"开源起家、正在向医疗垂直收窄"的玩家。这个判断下面会拆开讲。

核心结论摘要： 百川智能的大模型业务可拆成四层——底层的Baichuan开源模型族、中层的Baichuan 4商业API与私有化部署、面向C端的百小应、以及2024年下半年起全力倾斜的AI医疗线。选型逻辑很简单：通用中文任务看Baichuan 4的性价比，医疗场景看M系列，数据不能出内网就谈私有化。

百川智能大模型业务简介总结：一条从开源到医疗的时间轴

先补背景，不然后面拆业务线容易看不明白。

百川智能成立于2023年4月10日，创始人王小川，前搜狗CEO。这个时间点在国产大模型圈里其实不算早，但它的节奏快得有点不讲道理——成立两个月就放出了第一个开源模型。2023年10月完成3亿美元A轮融资，估值超10亿美元，是当时国内最快跻身独角兽的大模型公司之一。

下面这张表是我从官网和GitHub Release记录里拼出来的关键节点，基本能反映它的业务重心迁移：

| 时间 | 事件 | 关键信息 | |---|---|---| | 2023.04 | 公司成立 | 王小川创立，定位通用大模型 | | 2023.06 | Baichuan-7B 开源 | Apache 2.0，约1.2万亿token训练 | | 2023.07 | Baichuan-13B 发布 | 130亿参数，商用需申请 | | 2023.09 | Baichuan 2 发布 | 7B/13B，训练语料扩至2.6万亿token | | 2024.01 | Baichuan 3 发布 | 参数规模超千亿，主打中文任务 | | 2024.05 | Baichuan 4 + 百小应 | 首次模型与C端应用同发 | | 2024.10 | Baichuan4-Turbo / Air | 按场景切分高低配，价格分层 | | 2025.01 | Baichuan-M1-14B | 开源医疗增强模型，Apache 2.0 |

根据百川智能2023年9月发布的技术报告（arXiv:2309.10305），Baichuan 2 的训练语料达到2.6万亿token，并公开了数据清洗与去重的完整流程。这份报告我完整读过一遍，值得称道的是它把预训练数据处理写得比较细，而不是只甩分数——对一个开源模型来说，这比榜单排名更有参考价值。

技术路线拆解：训练与推理上的取舍

一句话概括这节：百川在训练侧押"高质量中文语料+激进开源"，在推理侧押"对齐OpenAI协议、降低迁移成本"。

训练侧的两次转向。 Baichuan 2 是典型的稠密模型路线，采用RoPE位置编码配合SwiGLU激活，7B和13B两个尺寸覆盖了个人开发者和中小团队。到了Baichuan 3，路线明显变了——参数规模冲到千亿级，官方宣称在CMMLU、AGIEval等中文基准上超过GPT-3.5。这里要泼一点冷水：中文榜单的区分度本来就有限，分数领先不等于复杂指令跟随能力领先，我在长链路Agent任务上实测过Baichuan 3，多步工具的调用成功率明显不如同期的一线闭源模型。

推理侧的关键动作是协议兼容。 百川的API完全走OpenAI兼容格式，这一点我实测过——把`base_url`一改，原来跑在LangChain上的代码几乎不用动就能迁移。这对已经有一套RAG工程链路的团队来说，切换成本低到可以忽略。换个角度看，这也意味着你在百川上做的所有工程封装，随时可以平移到另一家兼容OpenAI协议的厂商，厂商锁定风险其实很小。

如果你正在横向对比几家国产模型的技术细节，可以看看我们整理的国产大模型技术路线对比专题，里面把训练数据规模、上下文长度和推理定价放在一张表里了。

业务矩阵：开源、API、私有化、医疗四条线怎么分工

这四条线的商业模式差别很大，混在一起谈容易误判。

• **开源线**：Baichuan-7B/13B、Baichuan 2、Baichuan-M1 均以Apache 2.0协议开放，目的是攒开发者生态。代价是——Baichuan 4 至今没有开源，最新能力只走商业渠道。
• **API线**：按token计费，Baichuan4-Air走轻量低价，Baichuan4-Turbo主打均衡，Baichuan4对标旗舰。这块目前是营收主力。
• **私有化线**：面向金融、政务、能源客户交付全量或量化版本，支持本地化部署。具体成本结构差异极大，我们在大模型私有化部署成本拆解里算过一笔账，硬件投入往往比License贵得多。
• **C端线**：百小应APP，2024年5月随Baichuan 4一起上线，更多是能力展示窗口。
• **医疗垂直线**：2025年的真正重点。Baichuan-M1-14B 用14B的参数量做医疗增强，官方称在部分医学推理任务上对标更大参数模型；同期与北京儿童医院合作推进AI儿科医生在基层场景的试点。

有意思的是，这五条线里真正决定公司未来估值的，大概率是最后一条。王小川多次公开表达过"AI医疗是终局"的判断，百川的资源倾斜也在印证这一点。

一段能直接跑的代码：接入Baichuan 4 API

光看业务介绍没用，得能跑起来。下面这段代码我在本地Python 3.11环境验证过，10分钟就能跑通。

依赖安装：pip install "openai>=1.0"

from openai import OpenAI

client = OpenAI( api_key="你的百川APIKey", # 在 platform.baichuan-ai.com 控制台申请 base_url="https://api.baichuan-ai.com/v1" # 百川走OpenAI兼容协议，只需改这一行 )

resp = client.chat.completions.create( model="Baichuan4", # 可替换为 Baichuan4-Turbo / Baichuan4-Air messages=[ {"role": "system", "content": "你是一位严谨的合同审查助手，只指出风险，不做推测。"}, {"role": "user", "content": "帮我找出这段合同中的付款风险点："}, ], temperature=0.2, # 审查类任务调低温度，明显能压制胡编 max_tokens=1024, stream=False, )

print(resp.choices[0].message.content) print(f"本次消耗token：{resp.usage.total_tokens}") # 便于做成本监控

三个实操提醒：一是`temperature`别超过0.5，百川在低温度下的稳定性明显更好；二是上线前务必压测限流策略，免费额度和付费额度的并发上限不一样；三是把`usage.total_tokens`落到日志里，按token计费的模型不做成本埋点，月底账单会给你惊喜。

实话实说：百川的三个短板

聊完优势，该说说我踩过的坑了。这部分纯个人判断，不同意可以反驳。

第一，文档和SDK的更新明显落后于模型迭代。Baichuan4-Turbo上线后的一段时间里，官方文档里的模型列表还没同步，我一度以为是自己参数写错了。第二，通用能力正被前后夹击——字节豆包、阿里Qwen在通用场景的性价比极激进，DeepSeek在推理任务上又吃掉了大量技术团队，百川在通用赛道的差异化越来越难讲。第三，开源节奏从2024年起明显放缓，Baichuan 4 及其后续版本不再开源，对习惯"先用开源验证、再上商业版"的团队来说，验证环节被拉长了。

我的结论是：百川适合作为"性价比选项"，而不是"能力天花板选项"。如果你的场景是中文文书处理、轻量RAG问答、预算敏感的批量推理，Baichuan4-Air这类轻量型号值得进候选池；如果场景是医疗文书理解、分诊预问诊，M系列值得单独做一轮评测；如果要做复杂Agent，建议把DeepSeek和Qwen一起拉进来对照测。没有哪家国产模型能通吃，这大概是2025年最真实的现状。

学习路径与关键要点速览

想系统上手的话，我建议的路径是这样的：

1. **第一周**：在百川开放平台注册拿Key，跑通上面那段代码，感受一下响应延迟和输出风格。
2. **第二周**：把Baichuan 2 的技术报告（arXiv:2309.10305）读一遍，理解它的数据配比逻辑，这对你自己做微调时的数据构造有直接帮助。
3. **第三周**：用你自己的业务数据做一轮小规模评测，别只看榜单，要看真实bad case率。
4. **第四周**：需要私有化就同步启动硬件选型，量化版本的精度损失要提前测。

关键要点速览：

• 百川智能2023年4月成立，靠Baichuan开源系列打开开发者市场，2024年5月推出Baichuan 4与百小应。
• 业务由开源、API、私有化、C端、医疗五条线构成，2025年战略重心明显向AI医疗倾斜。
• API完全兼容OpenAI协议，工程迁移成本极低，但同时也意味着厂商锁定风险小、差异化也小。
• Baichuan 4 之后的旗舰模型不再开源，验证型团队需要调整自己的试用流程。
• 选型建议：通用中文任务比价格，垂直医疗看M系列，复杂Agent多模型对照测。

相关推荐

• **阅读相关专题**：想继续对比其他厂商的技术路线与定价，可以翻阅[国产大模型技术路线对比专题](https://vergex.cn/topics/domestic-llm)，我们会持续更新各家旗舰模型的实测数据。
• **查看工具推荐**：需要找更多可直接调用的国产大模型API、评测脚本和RAG工具链，欢迎访问 [VergeX AI工具导航](https://nav.vergex.cn)。
• **订阅更新**：VergeX 每周整理大模型一线动态与选型笔记，可在导航站底部填写邮箱订阅，或关注站内RSS。