信息速览

数据集名称DISC-Med-SFT

数据类型指令微调,对话数据,合成数据

规模未披露（宣称 47 万+ 条医疗咨询对话样本；患者级去重数量无官方口径；HF size_categories 100K<n<1M）

接入方式MedDialog 中文医患咨询（LLM 重构为多轮，40 万）+ cMedQA2（重构为多轮，2 万）+ CMeKG 知识图谱三元组转 QA（5 万，按 MedDialog 科室分布采样）+ 2k 人工行为偏好修订（未公开）+ 通用域 MOSS-SFT 33k 与 Alpaca-GPT4-zh 1k（未公开，抑制灾难性遗忘用）

AI 就绪度

INFOBOX — DISC-Med-SFT 一屏速览

维度内容

本质为 DISC-MedLLM 而建的中文医疗对话式 SFT 指令数据集（数据集与模型成对发布、名称相近易混）

团队复旦大学 FudanDISC 实验室；9 位作者，一作 Zhijie Bao，通讯 Wei Chen 与魏忠钰（Zhongyu Wei）

论文 arXiv:2308.14346（2023-08-28 v1，cs.CL + cs.AI，Work in progress；标题只提模型名 DISC-MedLLM）

数据宣称 47 万+：MedDialog 重构多轮 400k + cMedQA2 重构 20k + CMeKG-QA 50k + 行为偏好 2k（不公开）；另有通用域 34k+ 不计入医疗口径

公开 HuggingFace Flmc/DISC-Med-SFT 单文件 JSONL ≈ 2.03 GB（数据卡自述为子集）；license 标注 apache-2.0

格式 Baichuan-13B-Chat 对话协议：user_token=195、assistant_token=196（不能当普通 Alpaca 指令对直接加载）

流水线 LLM-in-the-loop 重构（单轮咨询→多轮策略性问诊）+ CMeKG 三元组转自然语言 QA + 2k 人工多轮偏好修订

评测 MLEC-QA 五科 few-shot 平均 39.79（GPT-3.5 49.64、Huatuo-13B 28.87）；CMB-Clin GPT-4 四维打分 DISC-MedLLM 4.69 > GPT-4 4.64

关键叙事单轮医学考试不敌 GPT-3.5、多轮问诊拟真度反超 GPT-4——「数据工程补齐基座能力缺口」的典型样本

时间线 arXiv 2023-08-28 → HF 创建 2023-08-29 → HF lastModified 2023-08-29 → GitHub 最后更新 2023-10-28，此后一次性发布无更新

许可 apache-2.0（仅公开子集）；上游 MedDialog / cMedQA2 / CMeKG 许可需各自继承核查

库内互链 meddialog(210) 直接上游、medmcqa(111) 翻译入训、cmb-cmexam(180) 评测基准、medquad(160) 同类生态

训练 DISC-MedLLM = Baichuan-13B-Base 两阶段 SFT（阶段 1 约 50 万混排 + 阶段 2 偏好 2k），4×A800，Firefly 改版

DISC-Med-SFT 是一个「为一场问诊考试而编的教材」式数据集：它不追求样本原始，反而用大语言模型把 40 万条 MedDialog 单轮医患咨询重构成多轮策略性问诊对话——模拟真实门诊里医生「先收集信息、再给建议」的节奏；再把 CMeKG 知识图谱里的疾病/药品/症状三元组改写成自然语言问答；最后用 2 千条人工逐轮修订的偏好样本教会模型「什么是一句得体的医疗回复」。这套 47 万+ 样本的 SFT 混合配方，把 Baichuan-13B-Base 这样一个完全不懂医疗对话行为的通用基座，调教成在多轮问诊拟真度上被 GPT-4 评审打出反超 GPT-4 自身分数的中文医疗对话模型 DISC-MedLLM。它也因此成为「单轮考试成绩平平、多轮实战表现惊人」这一经典反差的制造者——这个反差既是它最大的卖点，也是解读它时最容易翻车的口径陷阱。

导语读法三则：

只想下数据：直奔 §6 获取与许可——注意公开版只是子集、格式绑定 Baichuan 特殊 token、apache-2.0 不自动覆盖上游数据许可。
关心数据构造方法：直奔 §3 构造流水线与 §4 与上游比较发现——重构前后样本结构变化、知识注入配比与加工深度总账都在那里。
想看效果证据：直奔 §5 衍生与 §7 生态与影响——MLEC-QA 与 CMB-Clin 全部分数、「单轮/多轮」两副面孔的完整叙事，以及 DAIMS 维度的 AI-Ready 画像。

§0 导读：这个数据集解决什么问题

0.1 背景：2023 年中文医疗大模型的「一步到位」病

2023 年年中，开源大模型社区遭遇了一个具体的尴尬：Baichuan-13B、LLaMA 这类通用基座在中文医学考试题上并非一无是处，可一旦放进真实的医患咨询场景，产出的回复往往「一步到位」——用户刚说完一句「我头疼」，模型就开始罗列十种可能疾病和五种用药方案。临床上医生不会这样看诊：先问疼在哪、疼多久、什么性质，再问有没有外伤史、家族史、用药史，鉴别方向收窄之后才谈结论与处置。模型缺的不是医学名词，而是这套信息收集的节奏。

这个缺口的根源在数据：预训练语料里缺乏「医生怎么问话」的示范，而当时主流的中文医疗指令数据集（把咨询问答对直接搬进 instruction 格式）大多继承了这个缺陷——MedDialog 等来源的原始数据本来就是「一问一答」的单轮结构，医生在真实门诊中的信息收集过程根本没有被记录下来。用这样的数据做 SFT，模型学到的只能是「问什么答什么」的填空模式，而不是「问诊」这个行为本身。

0.2 DISC-Med-SFT 的三层回答

第一层是重构：不把 MedDialog 的 40 万条中文咨询当现成训练样本，而是让大语言模型扮演「补全医生」的角色，把单轮咨询扩写成多轮对话——先策略性地问诊（追问症状、病程、既往史），等信息收集充分后再给出建议，让数据本身就携带「诊疗节奏」。这是整条流水线的核心工序，也是数据集名字里「SFT」之外最值得记住的动词。

第二层是知识注入：从中文医疗知识图谱 CMeKG（1 万+ 疾病、近 2 万药品、1 万+ 症状）里抽取三元组，转写成自然语言问答对 5 万条，按 MedDialog 的科室分布加权采样，补齐重构对话中知识点覆盖的随机性。知识注入部分占医疗样本约十分之一——这个配比本身就是一种方法学表态（§8.1）。

第三层是行为对齐：2 千条样本由人工逐轮修订模型回复——补上安全性表达（「建议线下就医」）、改写不当语气，专供第二阶段偏好对齐使用，让模型学会医疗场景特有的沟通分寸。这是全数据集里唯一由人工逐字过目的成分，也是唯一未公开的成分。

0.3 产出：一张卷子两种成绩

这套配方的产出差强人意料地清晰：在 MLEC-QA 这类单轮医学考试上，DISC-MedLLM（Baichuan-13B-Base + 本数据集两阶段 SFT）的 few-shot 平均分 39.79 明显落后 GPT-3.5 的 49.64——考试能力没赢，虽然明显高于同代医疗模型 Huatuo-13B 的 28.87。但在 CMB-Clin 多轮问诊评测中，GPT-4 按主动性/准确性/帮助性/语言质量四个维度给 DISC-MedLLM 打出 4.69 分，反超给 GPT-4 自己回复打的 4.64 分。一张卷子两种成绩，指向同一个结论：面向交互形态做数据工程，比堆砌知识本身更能改变领域模型的行为质量。

0.4 时间线一屏

2023-08-28：arXiv 技术报告 v1 提交（cs.CL 主分类 + cs.AI，标注 Work in progress）；
2023-08-29T10:20:50Z：HuggingFace 数据集 Flmc/DISC-Med-SFT 创建；
2023-08-29T12:54:14Z：HF 数据集最后修改——此后三年再未变动；
2023-10-28：GitHub 模型仓库 FudanDISC/DISC-MedLLM 最后更新——同样此后静默。

三天内完成「论文-数据」同步发布，两个月内模型仓库收官，然后一切归零。这是一次发布完成度很高、后续维护为零的「一次性交付」（坑点 8），读这份条目时应始终带着这个时间断面的自觉。

§0 读法三则：

这个条目讲的是「数据集 + 由它训练出的模型」的成对故事：数据集本身没有独立论文，其权威出处就是 DISC-MedLLM 技术报告（arXiv:2308.14346）——检索时很容易把两者混为一谈（坑点 1）。
全文宣称规模与公开规模是两个口径：官方 README 宣称 47 万+ 医疗样本，HuggingFace 公开的却是一份自述「a subset」的 2.03 GB JSONL——所有基于公开版的复现实验都受此口径差约束（坑点 3）。
本条目所有评测分数的评测对象是 DISC-MedLLM 而非数据集本身；数据集作为中间产物没有独立 leaderboard 表现，这是读 SFT 数据集条目时要时刻拎清的基本盘。

§1 数据集速览：十问十答

Q1：DISC-Med-SFT 和 DISC-MedLLM 是什么关系？谁是谁？
DISC-Med-SFT 是数据集（SFT = Supervised Fine-Tuning，监督微调指令集），DISC-MedLLM 是用它训练出来的模型（Baichuan-13B-Base 两阶段微调）。二者成对发布：数据集托管在 HuggingFace（Flmc/DISC-Med-SFT），模型权重和训练代码放在 GitHub（FudanDISC/DISC-MedLLM），数据说明随模型仓库发布、数据集没有独立仓库。结构上的三个后果：其一，数据集没有独立论文，方法细节要去技术报告（arXiv:2308.14346）里找；其二，数据集没有独立引用条目，引用规范是把数据集名与报告编号挂钩；其三，技术报告标题里只有模型名——这直接导致后来大量引用把数据集名写错或找不到出处（坑点 1）。

Q2：47 万+ 样本从哪来？
四路混合：MedDialog 中文医患咨询 40 万条（经 LLM 重构为多轮对话）+ cMedQA2 中文问答 2 万条（同样重构为多轮）+ CMeKG 知识图谱转写的问答对 5 万条 + 2 千条人工行为偏好样本。四路的角色分工明确：MedDialog 供给「问诊行为」，cMedQA2 供给「同分布扩充」，CMeKG 供给「知识事实」，偏好样本供给「沟通分寸」。另有 34k+ 通用域样本（MOSS-SFT 33k + Alpaca-GPT4-zh 1k）用于抑制灾难性遗忘——这部分不计入「医疗样本」口径（坑点 4）。

Q3：为什么要把单轮咨询重构为多轮？
因为原始 MedDialog 数据是「患者长段描述 → 医生长段答复」的单轮结构，缺少真实门诊的信息收集过程。团队用 LLM 重构策略性问询：让模型补出医生会追问的症状细节、病程、用药史等中间轮次，再过渡到建议输出。这是整个数据集最核心的方法论决策——它把「问诊行为」本身写进了数据，让模型在 SFT 时学到的不是「听到描述就倒答案」，而是「给出建议前先收集信息」。后续多轮评测反超 GPT-4 的成绩，直接溯源到这个决策。

Q4：CMeKG 部分怎么做的？
从 CMeKG（1 万+ 疾病、近 2 万药品、1 万+ 症状三元组）抽取知识，转写成自然语言问答对 5 万条；采样时按 MedDialog 的科室分布加权，保证知识问答与真实咨询的科室构成对齐，避免知识注入部分把模型带偏到「背诵百科」的模式。这一「按上游咨询分布对齐知识采样」的设计，是混排数据里容易被忽略但相当讲究的一处细节（§2.5）。

Q5：2k 行为偏好样本是什么？为什么不公开？
这是第二阶段对齐专用数据：人工逐轮修订模型回复——补充安全性表达、调整语气、修正不当建议，形成「更符合医疗沟通规范」的偏好版本。它未随公开 release 发布，是公开版与宣称全量之间最关键的缺口（坑点 3）。训练细节上，它单独构成阶段 2 的对齐数据，与阶段 1 的大规模知识/对话注入分离。不公开的原因官方未做说明，可参照的推断包括人工修订成本与后续复用价值——但条目只记录事实：它不在公开版里。

Q6：数据是什么格式？能直接加载吗？
HuggingFace 公开版是单文件 JSONL（DISC-Med-SFT_released.jsonl，约 2.03 GB），对话格式沿用 Baichuan-13B-Chat 协议——user 与 assistant 角色用特殊 token 195/196 分隔。这意味着它不能像普通 Alpaca 式 instruction-response 对那样直接读入：换基座训练前必须先做角色 token 的格式转换，多轮嵌套样本转换时还要防漏轮（坑点 5）。用 Baichuan 系 tokenizer 的团队是即插即用的——这个格式的便利性只对特定基座成立。

Q7：公开版和宣称的全量是什么关系？
公开版是子集。HF 数据卡自述「a subset of the DISC-Med-SFT Dataset」，size_categories 标注 100K<n<1M；行为偏好 2k、MedMCQA 8k、MOSS-SFT 33k、Alpaca-GPT4-zh 1k 均不在公开 release 里。所以任何复现实验都只能说「基于 DISC-Med-SFT 公开子集」，不能宣称复现了论文全部配方（坑点 3）。注意 HF 的 size_categories 是粗档标注（10 万到 100 万之间），与宣称的 47 万+ 相容，但两者精度完全不同——前者是平台档位，后者是构造口径。

Q8：许可能商用吗？
数据集卡片标注 apache-2.0，无商业限制条款——这在同期中文医疗 SFT 数据集里属于最开放的一档。但有两层保留：其一，该许可只覆盖这个发布物本身，上游 MedDialog / cMedQA2 / CMeKG 各自的许可条款并未被逐项继承声明，商用前需自行核查上游链条（坑点 7）；其二，医疗数据的合规审查（患者隐私、数据来源授权）不因宽松许可而豁免——许可解决版权问题，不解决隐私与伦理问题。

Q9：用它训出的模型多强？
两副面孔。单轮考试：MLEC-QA 五科（临床医学、中西医结合、公共卫生、口腔、中医）加考研 306 西医综合口径，few-shot 平均 39.79、zero-shot 平均 37.56——不敌 GPT-3.5 的 49.64，但明显高于同代医疗模型 Huatuo-13B 的 28.87。多轮问诊：CMB-Clin 上由 GPT-4 按主动性/准确性/帮助性/语言质量四维打分，DISC-MedLLM 平均 4.69，反超 GPT-4 自评的 4.64 与 GPT-3.5 的 4.60。两个口径必须一起引用，只取其一都会构成误导（§5.3）。

Q10：为什么它对 AI-Ready 重要？
它是「领域重构型 SFT 数据集」的完整标本：展示了一条从「原始咨询语料」到「可直接微调的多轮对话指令集」的加工链——上游数据（MedDialog）在库内另有条目，可对照看到同一份原始语料在不同加工深度下的 AI-Ready 差异。同时它也示范了宽松许可（apache-2.0）与口径保守（subset 自述）可以并存：许可开放不等于披露完整，AI-Ready 评估要把两者分开打分（§6.5 的 DAIMS 表正是按这个思路拆维度的）。

§1 附 A：五问快答（十问之外的高频追问）

Q11：数据里的患者隐私怎么处理？
官方材料未单独披露本数据集的去标识流程——上游 MedDialog 等来自在线问诊平台，原始平台的去标识状况由上游决定，重构工序又由 LLM 生成内容。条目按存照原则记录：隐私处理链条无官方声明，使用者接入前应按医疗数据合规标准自行评估（坑点 7 的许可核查之外，隐私评估是另一条独立的线）。

Q12：我能用它训练一个中文医疗模型吗？
能——这正是它的设计目的，且公开子集覆盖了阶段 1 的医疗部分。但先过三关：格式关（Baichuan token 转换，坑点 5）、口径关（注明基于公开子集，坑点 3）、复现关（阶段 2 偏好数据缺失，需自建替代，见 §6.5）。三关都过，公开子集就是一个即用的中文医疗多轮对话 SFT 起点。

Q13：有英文版或多语言版吗？
没有。数据是中文单语（HF 语言标签 zh）；唯一的跨语言成分是 MedMCQA 英译中的 8k 考试题（不公开）。想找英文医疗对话数据，库内 medquad（rid 160）是平行参照（§9.5）。

Q14：和直接问 ChatGPT 相比，用它的模型强在哪？
强在多轮问诊行为：不一步到位倒答案，而是先按诊疗节奏收集信息，再给带安全表达的建议。CMB-Clin 的 4.69 对 4.64 是这个优势的量化证据。单轮考试类问题（问一个医学知识点）上它并不占优（§5.2）。

Q15：一句话总结这个数据集？
「把 40 万条单轮咨询改写成医生会追问的多轮问诊，配上图谱知识与两千条人工分寸，教会一个 13B 基座怎么像医生一样对话」——其余所有数字都是这句话的注脚。

§1 附 B：关键数字速查表

数字	含义	出处口径
47 万+	宣称医疗样本总量	论文/README（口径 A）
400k	MedDialog 重构多轮	宣称构成
20k	cMedQA2 重构多轮	宣称构成
50k	CMeKG-QA 转写	宣称构成
2k	人工行为偏好（未公开）	宣称构成
34k+	通用域混排（33k+1k，未公开，不算医疗口径）	宣称构成
100K<n<1M	HF size_categories 平台档位	HF 数据卡（口径 C）
2,027,982,827 字节（约 2.03 GB）	公开单文件实测体量	hf-mirror API（2026-10-04）
user_token=195 / assistant_token=196	Baichuan-13B-Chat 角色特殊 token	对话协议
10k+ / 近 20k / 10k+	CMeKG 疾病 / 药品 / 症状覆盖	论文口径
39.79 / 37.56	DISC-MedLLM MLEC-QA few-shot / zero-shot 平均分	技术报告
49.64	GPT-3.5 MLEC-QA few-shot 对照	技术报告
28.87	Huatuo-13B MLEC-QA few-shot 对照	技术报告
4.69 / 4.64 / 4.60	CMB-Clin 四维评审：DISC-MedLLM / GPT-4 / GPT-3.5	技术报告
4 × A800	DISC-MedLLM 训练算力	技术报告/README
13B	基座规模（Baichuan-13B-Base）	技术报告
9	论文作者数（一作 Zhijie Bao）	arXiv 摘要页
250:1	阶段 1 与阶段 2 数据量之比（约 50 万 vs 2k）	按宣称构成推算
2023-08-28 / 2023-08-29 / 2023-10-28	arXiv v1 / HF 创建与最后修改 / GitHub 最后更新	三源交叉
221 / 99	HF downloads / likes（2026-10-04）	hf-mirror API
apache-2.0	数据卡自述许可（仅覆盖发布物）	HF 数据卡
210 / 111 / 180 / 160	库内互链 rid：meddialog / medmcqa / cmb-cmexam / medquad	库内数据库

§1 附 C：数据集档案卡

官方名称：DISC-Med-SFT（Chinese Medical SFT Instruction Dataset）
条目 slug：disc-med-sft
性质：中文医疗对话式 SFT 指令数据集，为模型 DISC-MedLLM 而建、随模型一同发布；二者是「数据集 + 由它训练出的模型」的成对关系
建设机构：复旦大学数据智能与社会计算实验室（FudanDISC Lab）
论文作者：9 人——Zhijie Bao（一作）、Wei Chen（通讯）、Shengze Xiao、Kuang Ren、Jiaao Wu、Cheng Zhong、Jiajie Peng、Xuanjing Huang（黄萱菁）、Zhongyu Wei（魏忠钰，通讯）
技术报告：arXiv:2308.14346，2023-08-28 v1，cs.CL + cs.AI，Work in progress
数据托管：HuggingFace Flmc/DISC-Med-SFT（单文件 JSONL，约 2.03 GB）
模型仓库：GitHub FudanDISC/DISC-MedLLM（权重 + 训练代码 + 数据说明）
在线 Demo：med.fudan-disc.com（2026 年可用性未实测）
自述许可：apache-2.0（仅覆盖公开子集发布物）
语言：中文（zh）
任务标签：question-answering + conversational
发布形态：一次性发布（HF lastModified 2023-08-29 后无更新）
上游语料：MedDialog（主力）、cMedQA2、CMeKG、MedMCQA（翻译）
通用域混排：MOSS-SFT、Alpaca-GPT4-zh
基座：Baichuan-13B-Base（协议同源 Baichuan-13B-Chat）
训练框架：Firefly（修改版）
评测关联：MLEC-QA（单轮）、CMB-Clin / CMD / CMID（多轮）
库内互链：meddialog(210)、medmcqa(111)、cmb-cmexam(180)、medquad(160)
社区指标：downloads 221 / likes 99（2026-10-04）

§1 附 D：三类读者的阅读路径

数据工程读者（要构造类似数据集）：

§3 全章——流水线的工序拆解（重构/转写/修订）；
§3.9-§3.10——成本结构与失效模式自检；
§8.1-§8.3——配比哲学的提炼；
§7.7——发布侧的八条检查单。

模型训练读者（要用数据训模型）：

§6.1-§6.3——获取渠道与加载实操；
§2.4——格式规格与转换成本；
坑点 3/坑点 5——口径与格式的两堵墙；
§5.2-§5.4——训练能换来什么、不能换来什么。

治理与选型读者（要评估能不能用、敢不敢用）：

§7.8——许可四问；
§6.6——DAIMS 七维画像；
附录 E——编写边界声明（哪些事没核验）；
§7.4——生命周期与维护预期。

§1 附 E：关键事实的来源映射

本条目每个关键事实的取数来源与核验方式，供复核者按图索骥：

事实	来源	核验方式
arXiv 编号 2308.14346、题名、9 作者、日期、分类	arXiv 摘要页	原站实抓（纠正过误配，见坑点 2）
HF 创建/修改时间戳、体量、许可、任务标签、size_categories	hf-mirror API	2026-10-04 抓取全量 JSON
downloads 221 / likes 99	hf-mirror API	同上
构成规模（400k/20k/50k/2k/8k/33k/1k）	论文 + GitHub README	宣称口径转录（双口径标注）
Baichuan token 195/196	技术报告/仓库说明	文档转录
CMeKG 覆盖面与科室对齐采样	论文	宣称口径转录
训练配置（4×A800、Firefly、两阶段）	技术报告 + GitHub	文档转录
MLEC-QA/CMB-Clin 全部分数	技术报告评测节	自报分数转录（未独立复测）
GitHub 最后更新 2023-10-28	GitHub 仓库页	实抓
互链 rid（210/111/180/160）	库内数据库	SQL 查证
无撞库（0 rows）	库内数据库	SQL 模糊匹配留痕

§1 附 F：常见误读对照表

常见误读	事实	详见
「DISC-Med-SFT 是模型」	是数据集；DISC-MedLLM 才是模型	坑点 1、Q1
「arXiv:2310.13534」	正确编号 2308.14346	坑点 2
「47 万条公开数据」	宣称 47 万+；公开版是子集	坑点 3、§2.1
「51 万条医疗数据」	47 万医疗 + 34k 通用域，通用域不算医疗口径	坑点 4、§2.3
「数据直接能加载」	绑定 Baichuan 特殊 token，需格式转换	坑点 5、§2.4
「apache-2.0 所以内容权利干净」	许可仅覆盖发布物，上游链条未声明	坑点 7、§6.4
「论文有正式发表版」	Work in progress，仅 arXiv v1	坑点 8
「完胜 GPT-4」	仅多轮评审口径反超 0.05；单轮落后 GPT-3.5 约 10 分	§5.3、§5.8
「持续维护中」	2023-08-29 后零更新	坑点 8、§7.4

§2 数据构成与规格

2.1 总量：两个口径，一个事实

DISC-Med-SFT 的规模表述存在两个必须并排阅读的口径：

口径	来源	表述	含义
口径 A（宣称）	技术报告 / GitHub README	47 万+ 医疗对话样本（另有 34k+ 通用域样本）	构造流水线的理论总产能
口径 B（公开）	HuggingFace 数据卡	「a subset of the DISC-Med-SFT Dataset」；size_categories 100K<n<1M	实际可下载的公开子集
口径 C（平台档位）	HuggingFace size_categories	100K<n<1M	平台粗档标注，介于两口径之间、无独立精度

三个口径不互相矛盾，但精度差异极大：口径 A 是构造配方的设计总量，口径 B 是发布物的实际内容，口径 C 只是平台为了检索分桶而设的粗档。落在磁盘上的事实是单一且可验证的——HF 仓库仅有一个数据文件 DISC-Med-SFT_released.jsonl，usedStorage 实测 2,027,982,827 字节（约 2.03 GB）。任何引用本文规模的场合都应先声明自己说的是哪个口径；只写「47 万样本」而不加「宣称」二字，就是把设计产能当成了交付物（坑点 3）。

2.2 构成明细：七路来源各就各位

宣称构成（合计 47 万+ 医疗样本）逐项如下：

来源数据	宣称规模	处理方式	是否在公开 release
MedDialog 中文医患咨询	400k	LLM 重构为多轮策略性问诊对话	是
cMedQA2 中文医患问答	20k	重构为多轮对话	是
CMeKG 知识图谱 QA	50k	三元组转自然语言问答对	是
行为偏好样本	2k	人工多轮修订（阶段 2 对齐专用）	否
MedMCQA（英译中）	8k	翻译后入训练	否（仅训练用）
MOSS-SFT	33k	通用域对话	否（仅训练用）
Alpaca-GPT4-zh	1k	通用域指令	否（仅训练用）

三处值得逐项停一下：

MedDialog 400k 是绝对主体，占医疗样本的约 85%。数据集的科室分布、语言风格、多轮结构特征基本由它决定——理解 DISC-Med-SFT，本质上是理解「MedDialog 被怎么加工了」。
cMedQA2 的 2 万是锦上添花而非结构补充：它与 MedDialog 同为医患问答，处理方式相同（重构多轮），起到的是扩充同分布样本量、稀释单一平台语言风格的作用。
行为偏好 2k 是唯一「人工逐轮修订」的成分，也是唯一承担阶段 2 对齐职责的成分——它不公开，意味着公开子集训不出论文里的完整两阶段配方。

按公开/不公开切一刀，公开 release 的宣称主体是「MedDialog 400k + cMedQA2 20k + CMeKG-QA 50k」合计 47 万中的前 47 万——即行为偏好与全部辅助成分缺席。换句话说，公开版理论上可以覆盖阶段 1 的医疗部分，但覆盖不了通用域混排，更覆盖不了阶段 2。

2.3 通用域 34k+：不算医疗样本的第四路

MOSS-SFT（33k）与 Alpaca-GPT4-zh（1k）合计 34k+ 通用域样本，与医疗数据混排训练，目的只有一个：抑制灾难性遗忘，防止模型在医疗微调后丧失基本对话与指令遵循能力。

必须钉死的口径边界：这 34k+ 不计入「47 万+ 医疗样本」。官方表述一直是「47 万+ 医疗样本，另有 34k+ 通用域样本」——「另有」二字就是分界线。二手转述里常见的「51 万条医疗数据」就是把两堆加在一起的口径错误；更隐蔽的错误是把通用域样本当作医疗对话质量的一部分来分析（它们与医疗毫无关系）。做同代数据集横向对比时，这一口径决定可比性（坑点 4）。

通用域配比本身也值得读：34k 通用对 47 万医疗，约 1:14。这个比例不高不低——低了压不住遗忘，高了稀释领域信号。它不是本数据集独有的设计（同期领域 SFT 普遍混通用域），但比例选择可以作为同类数据集的参照点。

2.4 对话格式规格：Baichuan 协议绑定

公开子集的技术规格：

属性	规格
文件	DISC-Med-SFT_released.jsonl（单文件）
体量	2,027,982,827 字节（约 2.03 GB）
语言	中文（HF 语言标签 zh）
任务标签	question-answering + conversational
对话协议	Baichuan-13B-Chat：user_token=195、assistant_token=196
size_categories	100K<n<1M

对话结构的设计形态（按构造方法学的文字描述，示意性说明而非逐字样本）：每条样本是一段多轮对话，患者轮次承载主诉与补充信息，医生轮次按「策略性问询→追问收窄→建议输出」的节奏推进；知识问答类样本则退化为较短的一问一答。多轮样本的轮次深度显著高于原始单轮输入——这正是重构工序存在的证明。

user_token=195 / assistant_token=196 是 Baichuan-13B-Chat 词表里为对话角色预留的特殊 token。这一设计对 2023 年的 Baichuan 用户是便利（即插即用），对之后的所有人是负担（坑点 5）：

不能当普通指令对加载：JSONL 行内以特殊 token id 编码角色边界，标准的 instruction tuning 加载器（期望 instruction/input/output 三字段）无法直接解析，需要先写格式转换脚本。
换基座必须转格式：迁移到 LLaMA/Qwen/ChatGLM 等任何其他对话模板前，都要把角色边界重新映射为目标基座的 chat template——转换本身不难，但容易在多轮嵌套（重构对话动辄七八轮）中漏轮次或错配角色。
评测脚本同样受影响：按轮次切分做对话评测时，切分逻辑必须与 Baichuan 协议一致，否则会把一轮长回复误拆成多轮，轮次级指标全部失真。

对 AI-Ready 的含义：这是一种「为单一基座优化、以牺牲跨基座可移植性为代价」的格式选择。它把「能否直接用」的边界从数据集划到了基座——用 Baichuan 系（及其衍生 tokenizer）是 ready 的，其他都要先过一道转换工序。2026 年回看，这道工序成了数据集使用者绕不开的第一堵墙。

2.5 科室分布与知识覆盖的对齐设计

数据集的两个自然语言成分（重构咨询 + KG 问答）之间存在一个容易被忽略的对齐设计：CMeKG 问答的 5 万条按 MedDialog 的科室分布加权采样。

这样做的动机是防止「成分分层」：如果知识问答集中在某几个科室（比如 CMeKG 里疾病条目最全的心血管、内分泌），而真实咨询分布另有所重，模型会学到「考试型知识与实战问题来自两个世界」的割裂表征——在知识问答上流畅、在真实科室问询上退化。按科室分布对齐后，两条数据流在科室维度上同分布，阶段 1 训练时不会出现科室层面的监督信号失衡。

CMeKG 本体的覆盖面（1 万+ 疾病、近 2 万药品、1 万+ 症状）决定了知识问答的密度上限：它是「广度优先」的知识铺底，粒度到疾病-症状-药品的常见关联为止，不追求专科深度。这也解释了为什么专科深度要靠 MedDialog 的真实咨询文本去补——两路数据是互补而非重复：重构咨询贡献「行为与语境」，KG 问答贡献「事实与术语」，采样对齐保证两者在科室维度上咬合。

2.6 数据血缘与声明边界

把 DISC-Med-SFT 的血缘画直，四个上游、一个基座、一个框架：

上游语料：MedDialog（中文医患咨询，库内条目 meddialog）、cMedQA2（中文医患问答）、CMeKG（中文医疗知识图谱）、MedMCQA（英文医学选择题，翻译入训，库内条目 medmcqa）；
通用域来源：MOSS-SFT、Alpaca-GPT4-zh；
基座模型：Baichuan-13B-Base（对话协议亦取自 Baichuan-13B-Chat）；
训练框架：Firefly（开源微调框架，DISC-MedLLM 训练代码修改自它）。

GitHub 仓库的致谢清单与上述血缘一一对应：MedDialog / cMeKG_tools / cMedQA2 / Baichuan-13B / Firefly。这条血缘链条有双重意义：其一，数据集的许可与合规状况取决于整条链而不只是自己（坑点 7）；其二，任何「复现配方」都要同时拿到四路上游——其中行为偏好 2k 与通用域 34k 拿不到原版，只能找替代品，复现从一开始就是「近似复现」。

血缘图里还有一条容易被漏看的边：Baichuan 出现了两次——既是训练基座（Baichuan-13B-Base）又是数据格式协议（Baichuan-13B-Chat）。这种「基座与格式同源」的绑定是当时的高效选择，也是后来格式债的根源（坑点 5）：数据集的生命周期被基座的流行周期反向锁定。

§3 构造流水线：单轮语料如何变成多轮问诊教材

3.1 总范式：LLM-in-the-loop 重构 + Human-in-the-loop 审核

DISC-Med-SFT 的构造不是「采集—标注」，而是「重构—转写—修订」三级加工：

工序	输入	加工方式	输出	人力角色
重构	MedDialog 400k 单轮咨询	LLM 扩写多轮策略性问诊	多轮医患对话	LLM 主力，人工抽查
重构	cMedQA2 20k 问答	同上	多轮医患对话	同上
转写	CMeKG 三元组	三元组→自然语言 QA	知识问答对 50k	LLM 转写
修订	模型初版回复	人工逐轮改写+安全性补充	行为偏好样本 2k	人工主力

范式命名的两层含义：LLM-in-the-loop 指大语言模型是前两道工序的执行主体——它不只是工具，而是「扮演医生」的内容生成者；Human-in-the-loop 指人工把关集中在最有价值也最贵的一道工序（行为偏好修订）上，前两道工序依靠规模与分布对齐而非逐条审校来保质量。

这个分工在 2023 年是一种务实的选择：40 万条对话不可能人工重写，但医疗场景又不能完全没有人工触点——把人工预算全部押在 2k 偏好样本上，等于承认「大规模靠生成、小规模靠雕琢」的配比哲学。这个哲学后来成为领域 SFT 数据集的主流打法，但在 2023 年年中，把人工环节压缩到万分之四的量级仍是一个需要论证的大胆决定。

3.2 核心工序：MedDialog 单轮→多轮重构

原始 MedDialog 中文咨询的典型形态：患者一段长文本描述病情，医生一段长文本给出答复。对话结束。信息收集过程是黑的——医生拿到患者描述后脑子里过掉的追问（「疼多久了」「有没有既往史」「在吃什么药」）全部缺席。

重构工序的目标就是把这段黑箱写回来：

输入：单轮咨询（患者描述 + 医生答复）；
LLM 任务：以医生视角插入策略性问询轮次——追问症状细节、病程演变、既往史、用药与检查史——待信息积累充分后，再让原始医生答复（经适配润色）作为收尾建议出现；
输出：多轮对话，形态上模拟「门诊问诊」的信息流：主诉→追问→补充→再追问→诊断建议→随访提醒。

「策略性」是这套重构的关键词：插入的问询轮次不是随机寒暄，而是按诊疗逻辑排序的——先定性（什么症状、多久了），再定量（程度、频率），再鉴别（既往史、家族史、用药），最后才给建议。这种排序让数据自带「医生思维链」，模型在 SFT 后学到的是问诊的信息收集策略，而不只是答复的表面格式。

值得展开的是「策略性问询」与「模板化追问」的差别：模板化追问是每个样本都问同样几句，模型学到的是句式；策略性问询要求追问内容与患者主诉联动（主诉头疼就问神经系统伴随症状，主诉腹痛就问饮食与排便），模型学到的是「下一个问题由已有信息决定」的条件策略。后者才是 CMB-Clin「主动性」维度想测的能力，也是这个数据集最值钱的部分。

代价同样清楚：重构轮次由 LLM 生成，医生中间轮次的「话术」是模型扮演而非医生原文——数据的临床保真度上限就是生成模型的医学常识上限。条目按存照原则如实记录：重构所用 LLM 的具体型号与提示词细节，公开材料有述但未逐句核对原文，使用者引用方法细节前应回查论文正文。

3.3 同型工序：cMedQA2 重构

cMedQA2 的 2 万条与 MedDialog 工序相同：单轮问答→多轮重构。它扮演的角色是同分布扩充——多一路来源可以稀释单一来源的语言风格偏差（MedDialog 来源于在线问诊平台，问句风格有平台特征），让「多轮问诊」这一模式在数据里被更多样的患者表达方式覆盖。

对使用者的提示：由于工序同型，cMedQA2 部分不改变数据集的方法学画像——分析「DISC-Med-SFT 的多轮结构特征」时，把 42 万（400k+20k）重构对话视为一个整体即可，分开分析的价值不大。需要分开处理的场合只有一种：追溯样本血缘（比如评估上游平台条款的适用范围）时，两类来源要拆开对账。

3.4 知识工序：CMeKG 三元组→自然语言 QA

CMeKG 是结构化知识图谱：三元组形如（疾病，症状，X）或（药品，适应症，Y）。直接把三元组当训练样本没有意义——SFT 需要的是自然语言形态。转写工序做的是「图谱到口语」的翻译：

每条三元组生成一问一答：问句把实体关系写成患者/学习者视角的自然语言，答句把尾实体嵌入完整陈述，并适度扩展解释性文本；
采样按 MedDialog 科室分布加权（2.5 节），保证知识与咨询同分布；
覆盖面受 CMeKG 本体规模约束：1 万+ 疾病、近 2 万药品、1 万+ 症状，属于「常见病广铺」而非专科深耕。

这道工序解决的问题很具体：重构对话是「行为示范」，但没有教模型「事实」；KG 问答是「事实注入」，但缺乏行为。两路混排后，阶段 1 的监督信号同时覆盖「怎么问」与「知道什么」。

另一个值得记录的细节是致谢清单里的 cMeKG_tools——工具层的存在说明转写不是纯手工提示词工程，而是搭了工具链来做三元组抽取与批量转写。这是「LLM-in-the-loop」范式能撑起 5 万条产能的工程前提。

3.5 人工工序：2k 行为偏好修订

流水线的第三段把人力预算花在刀刃上。2 千条样本的加工方式：

取模型初版回复（或初版多轮对话）；
人工逐轮修订：改写不当语气、补充安全性表达（「如症状持续建议线下就医」类）、修正医学上不严谨的表述、调整信息密度；
修订前后样本构成偏好对，专供阶段 2 对齐训练。

这 2k 是整个数据集里唯一由人工逐字过目的成分，承担的职责也最特殊：它不教知识、不教问诊结构，教的是「分寸」——医疗对话里什么该说、什么必须留白、什么必须提醒。这种能力无法从 40 万条 LLM 生成数据里可靠地涌现，必须有人工锚点。

它同时是公开性的分水岭：2k 偏好样本未随 release 发布（坑点 3）。从复现角度这是最大的缺口——阶段 2 拿不到原版数据，任何复现者都需要自建偏好集或退化为单阶段训练。

3.6 混排与两阶段训练配方

数据构造的终点是训练配方的起点。DISC-MedLLM 的两阶段 SFT：

阶段	数据	目标	规模
阶段 1	重构多轮对话（MedDialog 400k + cMedQA2 20k）+ CMeKG-QA 50k + 通用域 34k+	知识与对话能力注入：学会问诊结构、医疗事实、保持通用能力	约 50 万条混排
阶段 2	行为偏好样本 2k	人类偏好对齐：医疗沟通的分寸与安全性	2k

训练资源为 4 张 A800；训练代码修改自开源微调框架 Firefly。这个配方的信息量在于比例：阶段 1 是 50 万级的「量」，阶段 2 是 2 千级的「质」，两者相差两个数量级却缺一不可——没有阶段 1，模型不知道医疗对话长什么样；没有阶段 2，模型不知道医疗对话的底线在哪里。「大规模生成打底 + 小规模人工收口」的双层结构，是本数据集留给后来者的最重要配方。

3.7 质量控制：能确认的与不能确认的

基于公开材料可以确认的质量机制：偏好样本的人工逐轮修订、KG 采样与科室分布对齐、两阶段分离训练。基于公开材料不能确认的：重构对话的医学正确率抽查结果、KG 转写答句的准确率、重构轮次与原始答复的一致性校验方法。技术报告对数据质量验证的披露深度有限（Work in progress 状态），条目不替作者补足这些空白——使用者若需要质量证据，唯一途径是自行抽样评测公开子集。

3.8 同期方法坐标：三种中文医疗数据构造路线

把 2023 年同期中文医疗 LLM 的数据策略摆成一排，DISC-Med-SFT 的位置更清楚：

路线	代表	数据策略	特点
原样搬运	DoctorGLM 等	直接把问答对套进指令格式	快，但继承单轮结构与原始噪声
知识增强	BenTsao（本草）等	领域知识库检索+问答构造	知识准，但行为层薄弱
重构+对齐	DISC-Med-SFT	LLM 重构多轮 + KG 注入 + 人工偏好	工序最全，构造成本最高

三条路线的差距不在数据量而在加工深度：原样搬运产出的是「问答对集合」，重构+对齐产出的是「行为教材」。DISC-Med-SFT 是同期路线里工序最长的一条——这个选择直接定义了它后来的评测表现（§5）与它作为方法学样本的价值（§8）。

3.9 构造成本与产能账：钱花在了哪里

把三级加工的成本结构摆出来（结构性分析，不涉及具体金额——官方未披露构造成本）：

工序	产能载体	单位成本	总量	成本角色
MedDialog/cMedQA2 重构	LLM 推理	低（推理费+提示词工程摊销）	42 万条	规模成本，总量可控
CMeKG 转写	LLM+工具链（cMeKG_tools）	低	5 万条	同上
行为偏好修订	人工逐轮改写	高（医学背景人力）	2k 条	单位最贵，总量最小
两阶段训练	4×A800	中（13B 两阶段 SFT）	一次	一次性固定投入

成本结构呈现出清晰的倒挂：最便宜的工序产出了 92% 的数据，最贵的工序只产出 0.4% 的数据——但正是这 0.4% 承担了行为对齐的关键职责。这是「生成摊规模、人工钉锚点」配比哲学的成本面：预算分配不是按数据量比例，而是按「该工序能否被生成替代」来切分。

对预算有限的复刻者，这张表给出的启发是：LLM 重构产能几乎不构成门槛（42 万条推理成本在 2026 年已很低），真正的门槛是两处——医学可靠的提示词与流程设计（方法论门槛），以及 2k 级人工偏好修订的质控（组织门槛）。换句话说，配方公开之后，复刻的瓶颈从钱变成了方法与组织。

3.10 重构工序的失效模式：使用前自检清单

LLM 重构在方法学上的收益（§3.2）有对应的风险面。以下四类失效模式是该方法的一般性风险，公开材料未逐项量化——列出仅供使用者抽样自检：

假策略性追问：插入的问询轮次与主诉脱钩，变成「换个说法重复提问」——模型学到的是追问的句式而非信息增益逻辑。抽检方法：遮住患者主诉，只读医生轮次，看能否反推出主诉方向；
医学细节越界：生成轮次为丰富对话而编造检查数值、药品剂量等高风险细节——这类内容一旦进入训练，模型会学到「可以自信地给数字」。抽检方法：重点看生成轮次里是否出现具体剂量/数值/诊断结论；
轮次冗余：追问循环过长、信息密度递减，稀释有效梯度。抽检方法：统计轮次分布，检查长尾样本的信息密度；
结论漂移：生成过程中偏离原始医生答复的结论方向（重构应保留原答复的信息内核）。抽检方法：对照原始 MedDialog 条目，核对最终建议轮与原始答复的一致性。

四类失效的概率与严重度取决于重构用 LLM 的能力与提示词设计——条目再次按存照原则记录：这些细节未逐句核对论文原文，本清单是使用侧的自检框架，不是对数据集的实测结论。

3.11 「策略性问诊」的医学结构依据

重构工序里「策略性问询」的轮次组织并非凭空设计，它与临床问诊教学中的标准问诊结构存在清晰的映射：

标准问诊结构	功能	数据集中的对应形态
主诉采集	确定就诊核心问题	原始患者描述（输入保真）
现病史追问	症状细节、起病、演变	重构插入的定性/定量追问轮
既往史与用药史	鉴别诊断背景	重构插入的背景信息轮
归纳小结	复述确认、收窄范围	重构插入的确认轮
诊断与处置建议	给出方案与随访	原始医生答复（适配润色）

这张映射表说明两件事：其一，重构工序的轮次模板有医学教育层面的依据——「主诉→现病史→既往史→小结→处置」是问诊教学的通用骨架，LLM 重构时插入的轮次类型与这一骨架对位；其二，它解释了为什么重构后的数据能教会模型「主动性」——主动性不是话术，而是按这个骨架推进信息收集的行为序列。

同时要看清映射的边界：真实门诊还有查体、辅助检查等「线下环节」，对话数据无法承载；重构对话里这些环节只能以「建议就医检查」的转介话术出现——这也是数据集里安全性表达的高发位置（与 2k 偏好修订的补充方向一致）。

3.12 自述措辞审读：数据卡与 README 的关键句子

把官方自述里的关键措辞逐句过一遍，每句都有精确含义：

「a subset of the DISC-Med-SFT Dataset」（HF 数据卡）：公开版是子集——这句话是公开/宣称双口径的最权威来源，坑点 3 的判定依据；
「47 万+ 医疗样本」（README/论文口径）：构造配方的设计总量，非交付量；「另有 34k+ 通用域」的「另有」划定医疗口径边界（坑点 4）；
「task_categories: [question-answering, conversational]」（HF 元数据）：两个任务标签并列——问答与对话，恰好对应 KG-QA 成分（问答）与重构对话成分（对话）两大块，元数据与构成是自洽的；
「license: apache-2.0」（HF 数据卡）：标注于发布物层面，不含上游继承声明（坑点 7）；
「size_categories: 100K<n<1M」（HF 平台）：平台分桶档位，非精确计数；
「Work in progress」（arXiv Comments）：作者自认未定稿——引用方法细节时保留这层不确定（坑点 8 的一部分）。

措辞审读的价值在于：官方自述其实相当严谨，多数下游误读（「47 万条公开数据」「复现全配方」）都发生在偏离原文措辞的转写环节。回到原文措辞，是化解口径争议最短的路。

3.13 从 meddialog 条目过来的读者：五个衔接问题

库内阅读流里，不少读者会从 meddialog(210) 条目跳到本条目。衔接处最常见的五个问题：

「我手里的 MedDialog 和这里重构后的是同一批吗？」——来源同源，但重构可能合并或丢弃原始条目，逐条对应关系不存在；做血缘审计时按「来源声明」对账，不按样本 ID 对账。
「我可以只用原始 MedDialog 不重构吗？」——可以，但按 §4.1 的分析，训练出来的模型只学到单轮作答模式；重构的价值在于把问诊行为写进数据。
「重构是可逆的吗？」——不可逆。生成轮次没有保留「原始 vs 生成」的标记，公开子集里无法区分哪些轮次是医生原文、哪些是模型扮演（除收尾答复外）。
「两个数据集的许可有主从关系吗？」——法律上各自独立：MedDialog 按其自身条款发布，DISC-Med-SFT 按 apache-2.0 发布发布物；上游条款对「重构衍生」的适用性未被官方声明（坑点 7）。
「我该引哪个？」——研究问诊行为引 meddialog 对应的原始文献；使用本数据集训练/评测则引 DISC-Med-SFT（挂 arXiv:2308.14346），两者不互斥。

3.14 流水线可复用组件盘点

对想搬运这套流水线的团队，按「可直接复用程度」盘点四个组件：

科室对齐采样（CMeKG-QA 按上游咨询科室分布加权）：可复用度最高——思想简单、无基座依赖，任何「知识注入+咨询语料」双成分数据集都适用；缺口是需要先统计上游科室分布。
两阶段配比（约 50 万生成 + 2k 人工，250:1）：可复用度高——比例思想可迁移到任意领域；缺口是「2k 是否够」取决于领域行为复杂度，需要按域校准。
单轮→多轮重构（LLM 插入策略性问询轮）：可复用度中——方法骨架可搬（行为脚本依据见 §3.11），但提示词设计与质量抽检需按域重建；医疗域的问诊骨架（主诉→现病史→既往史→小结→处置）在其他域没有现成对应物。
人工偏好修订（逐轮改写+安全表达补充）：可复用度中——操作本身通用，但「安全表达清单」是医疗语境特供的（转介就医、剂量留白等），其他域要重建自己的分寸清单。

盘点的总提示：这套流水线最有价值的复用物不是任何单一组件，而是「组件编排顺序」——生成型工序在前、知识型工序居中、人工工序收口、评测对位验证。顺序本身就是方法。

3.15 数据集命名的信息量

DISC-Med-SFT 这个名字的三个部件各自携带信息，拆开读能避免一半的混淆：

DISC：实验室系列品牌前缀——FudanDISC 的领域大模型家族共用（DISC-FinLLM 金融、DISC-LawLLM 法律），看到 DISC 前缀即知出自复旦 FudanDISC 实验室同一方法学谱系；
Med：领域限定——中文医疗；
SFT：方法与产物类型——监督微调指令集，即这是一份数据而非模型。

命名学上最有用的线索是名字里没有「LLM」：同家族的模型一律带 LLM 尾缀（DISC-MedLLM、DISC-FinLLM、DISC-LawLLM），数据集则不带（DISC-Med-SFT）。尾缀有无即是数据/模型的判别规则——这条规则比「记清楚哪个是哪个」可靠得多，值得写进一切引用前检查（坑点 1 的最短解法）。

3.16 工序与产物的可追踪性

把流水线各工序与最终产物的对应关系列成追踪表，评估「哪些结论能归因到哪道工序」：

最终产物	源工序	可追踪性	归因能力
多轮问诊行为	MedDialog/cMedQA2 重构	中（产物无「生成轮」标记）	靠对照实验间接归因
知识调用	CMeKG 转写	中（问答对形态可辨识）	可按样本形态分组分析
沟通分寸	2k 人工修订	低（未公开）	只能靠阶段消融间接推断
抗遗忘能力	通用域混排	低（未公开）	同上

追踪性的整体结论：公开子集内的两大形态（多轮对话 / 短问答）肉眼可分，这给使用者留了一条「按形态分组分析」的路——例如只取对话形态子集做问诊行为评估。但工序级的精确归因（哪道工序贡献了哪个分数）在数据层面已不可得，只能通过训练消融实验重建——这是重构型数据集的共性代价：加工在提升数据价值的同时，抹掉了样本级的工序痕迹。

§4 与上游比较发现：同一份语料的加工深度差

4.1 与 MedDialog（meddialog）比较：从问答档案到问诊剧本

MedDialog 与 DISC-Med-SFT 的关系是本条目最值得细读的一层：前者是后者的 85% 血统，库内另有独立条目（rid 210），可以逐点对照。

维度	MedDialog 原始	DISC-Med-SFT（重构后）
对话结构	单轮为主（患者长问 + 医生长答）	多轮策略性问诊（追问链 + 建议收尾）
医生话术	医生原文	LLM 扮演生成 + 原答复适配
信息收集过程	缺席（黑箱）	显式写入（追问轮次）
样本规模	数十万级原始咨询	重构后宣称 400k
训练适配	需自行套指令格式	Baichuan 协议即插即用
临床保真度	真实记录（但平台语境）	模拟保真（生成上限）
语言特征	平台语体，含口语噪声	教学级流畅，句式规整
直接可训性	低（需自行清洗与格式化）	高（对 Baichuan 系）

三个结构性发现：

单轮→多轮不是格式变化而是信息类型变化。原始单轮样本教模型「听到描述后给答复」；重构多轮教模型「给答复前先补齐信息」。前者的最优策略是穷举式回答（把所有可能塞进一段话），后者的最优策略是信息增益排序（先问最能缩小鉴别诊断的问题）。这不是同一种能力——MLEC-QA 与 CMB-Clin 两副成绩单的落差，就是这两种能力的落差。
保真度方向相反。MedDialog 的每一句医生话术都是真实的；DISC-Med-SFT 的中间轮次是生成的。前者「真而糙」，后者「顺而假」——真实平台的语病、断续、非规范表达被重构工序清洗掉了，换来的是教学级流畅。做医疗对话研究时要意识到自己手里拿的是哪一种：分析真实问诊行为用前者，训练对话模型用后者，混用两个目的会两头落空。
规模口径要分开引。MedDialog 的库内条目记录的是原始语料规模；DISC-Med-SFT 宣称的 400k 是「重构后保留」的规模——两个数字之间没有简单的换算关系（重构可能合并或丢弃原始咨询条目）。引用时不能把 400k 当成 MedDialog 的子集规模来反推，更不能据此推算「重构保留率」。

4.2 与 cMedQA2 比较：同型加工的第二来源

cMedQA2 在上游是「真实医院问答语料」（医患问答对），入集后走与 MedDialog 完全相同的重构工序。它贡献的是患者表达的多样性而非新能力：MedDialog 语料来自在线问诊平台，cMedQA2 来自另一采集渠道，两路混采降低了单一平台语言风格被模型过度吸收的风险。

4.3 与 CMeKG 比较：从三元组到口语

CMeKG（库内同类中文医疗知识图谱生态）在 DISC-Med-SFT 里的形态变化最剧烈：结构化三元组→自然语言问答对。

原始形态：（疾病，并发症，X）式的图数据库记录，机器可读、人不便读；
转写后：「X 疾病可能引起哪些并发症？」式的问答对，人机皆读；
增量加工：问句模板化生成 + 答句嵌入解释性扩展。

这道转写的价值常被低估：它解决了「知识图谱与对话模型之间的格式鸿沟」。SFT 无法直接消费三元组，而把三元组转成 QA 后，知识就以对话模型最习惯的形态进入训练。代价是转写不可避免地引入生成噪声——答句的扩展解释是模型写的，可能带有不严谨的表述。这一点在原始论文的诚实度范围内没有被单独量化，条目按存照原则记录：转写质量未做逐条核验。

4.4 与 MedMCQA（medmcqa）比较：唯一被翻译的成分

MedMCQA（印度医学考试题库，库内条目 rid 111）贡献的 8k 样本是数据集里唯一经过跨语言翻译的成分。它的存在透露一个补短板的意图：MedDialog/cMedQA2/CMeKG 都是「叙述型」数据（问诊对话、知识问答），缺「考试型」数据（单选鉴别诊断题）——MedMCQA 恰好补这一格。

但这条成分的命运与另外三路不同：它只入训练、不进公开 release。于是出现了一个有趣的不对称——数据集的方法学叙事里有它（论文写明了翻译入训），数据集的交付物里没有它。引用 DISC-Med-SFT 构成时，若把 MedMCQA 8k 说成「包含在公开数据里」就是口径错误。

4.5 加工深度的总账：上游各成分的形态变化一表流

上游	原始形态	入集形态	加工类型	加工深度	公开
MedDialog	单轮在线咨询	多轮问诊对话	LLM 重构	深（结构+话术）	是
cMedQA2	单轮医患问答	多轮问诊对话	LLM 重构	深（同上）	是
CMeKG	结构化三元组	自然语言 QA	转写+扩展	中（格式+内容）	是
MedMCQA	英文单选题	中文考试题	翻译	浅（语言层）	否
行为偏好源	模型初版回复	修订版偏好对	人工修订	深（逐轮雕琢）	否
MOSS-SFT	通用对话	原样混排	无（直接混入）	无	否
Alpaca-GPT4-zh	通用指令	原样混排	无（直接混入）	无	否

这张表的读法：加工深度与公开性没有正相关——最深的两路加工（重构、偏好修订）一路公开一路不公开；完全不加工的通用域两路全部不公开。公开 release 的构成是「深加工医疗数据为主体的一个子集」，与「配方全量」是两码事。另一个读法：四路医疗成分里有三路经过生成式加工（重构×2、转写），一路经过翻译——没有任何一路是原样搬运。这是 DISC-Med-SFT 与「原样搬运」路线最根本的分野。

4.6 上游许可的连锁账

上游比较的最后一笔账是许可。DISC-Med-SFT 标注 apache-2.0，但它的七个上游各有各的许可状况：

MedDialog、cMedQA2、CMeKG：学术数据集，各自许可条款独立存在，未被 DISC-Med-SFT 逐项继承声明；
MedMCQA：其原始许可对再分发的约束未被翻译工序消解；
MOSS-SFT、Alpaca-GPT4-zh：未入公开 release，暂不构成发布物许可问题；
Baichuan-13B：基座模型的许可约束的是模型不是数据，但对话协议的「伴生」关系值得记录。

结论与坑点 7 一致：apache-2.0 覆盖的是「这个发布物」，不是「这个发布物里的全部内容权利」。使用者做产品化部署前，上游链条要逐环自查——这是所有「混合构造」型数据集的通病，DISC-Med-SFT 只是坦率地没有假装解决这个问题。

4.7 产出能力对比：加工深度决定了「学到什么」

把 §4 前六节收拢成一句话：上游比较的真正发现是加工深度与模型能力类型之间的映射。

使用的上游形态	模型学到的能力	对应评测维度
原样单轮问答（不加工）	穷举式作答	单轮考试类
重构多轮咨询（深加工）	信息收集策略、问诊节奏	CMB-Clin 主动性
KG 转写问答（中加工）	事实调用、术语规范	准确性、语言质量
人工偏好修订（深加工）	安全表达、沟通分寸	帮助性、语言质量

DISC-Med-SFT 四路全用了，所以它的模型在四个维度上都有数据支撑——而同期只走第一行的竞品，只能在单轮考试维度上竞争。这张映射表也解释了为什么「反超」恰好出现在多轮维度：那是唯一一种当时只有深加工数据才能教的能力。

§5 衍生：头号衍生品 DISC-MedLLM 与它的两副成绩单

5.1 头号衍生品：为它而生、因它而名

DISC-Med-SFT 的头号衍生品就是与它同名的模型 DISC-MedLLM——事实上方向是反的：模型是目标，数据集是手段。技术报告标题（Bridging General Large Language Models and Real-World Medical Consultation）说的是模型要做的事，数据集是实现路径。理解这一点，才能理解为什么数据集没有独立论文、为什么评测全部以模型为对象。

模型本体配置：

属性	配置
基座	Baichuan-13B-Base
微调方式	两阶段 SFT（阶段 1 大规模注入 + 阶段 2 偏好对齐）
数据	DISC-Med-SFT（阶段 1 全量混排 + 阶段 2 行为偏好 2k）
算力	4 × A800
训练框架	Firefly（修改版）
对话协议	Baichuan-13B-Chat（与数据格式一致）
发布	GitHub FudanDISC/DISC-MedLLM（2023-10-28 最后更新）+ 在线 Demo med.fudan-disc.com

配置表里有个值得注意的闭环：数据格式（Baichuan-13B-Chat 协议）与训练基座（Baichuan-13B-Base）同源，意味着数据在训练时无需任何格式转换——这是「为自己训模型」的数据集才有的奢侈，也是「为别人用」时欠下的债（§2.4）。

5.2 单轮成绩单：MLEC-QA 五科 + 考研 306

单轮评测以 MLEC-QA（中文医学考试题库，覆盖临床医学、中西医结合、公共卫生、口腔、中医五个学科）为主体，另含考研 306 西医综合口径：

模型	设置	平均分
GPT-3.5	few-shot	49.64
DISC-MedLLM	few-shot	39.79
DISC-MedLLM	zero-shot	37.56
Huatuo-13B	few-shot	28.87

三个读数：

与 GPT-3.5 的差距约 10 分——这个差距在单轮考试语境里不算小。通用基座 GPT-3.5 的医学知识储备（预训练语料的广度）不是 13B 开源模型加 50 万条 SFT 能追平的，考试类任务奖励的是知识广度与题目模式匹配，恰好是 SFT 数据里最弱的两项。
领先同代医疗模型 11 分——Huatuo-13B 的 28.87 刻画的是当时「原样搬运」路线的水平线；DISC-MedLLM 的 39.79 说明重构+注入路线在考试能力上同样有增益，只是增益幅度远不如行为维度显著。
few-shot 与 zero-shot 差 2.2 分——差距温和，说明模型从数据里学到了稳定的答题格式，对示例的依赖不重。对部署方这是个实用信号：线上系统不必维护 few-shot 示例池。

5.3 多轮成绩单：CMB-Clin 四维打分反超 GPT-4

多轮评测以 CMB-Clin（真实医疗咨询场景的多轮对话评测集）为主，另含 CMD 与 CMID 口径。CMB-Clin 采用 GPT-4 作为评审，按四个维度打分：主动性（问诊策略）、准确性（医学内容）、帮助性（解决程度）、语言质量（表达规范）：

模型	CMB-Clin 平均分（GPT-4 四维评审）
DISC-MedLLM	4.69
GPT-4	4.64
GPT-3.5	4.60

三个读数：

反超成立但幅度很小（对 GPT-4 高 0.05，对 GPT-3.5 高 0.09）——在 5 分制上这是边界级优势，且评审者本身是 GPT-4，存在评审模型对贴近自身风格回复的给分偏爱这一一般性风险。叙事上可以说「反超」，统计上应保持克制；引用时带上「GPT-4 评审」的限定语是最低限度的严谨。
反超的机制可归因：多轮问诊的评分维度（尤其主动性）直接对应重构工序写入的「策略性问询」能力——这是 GPT-4 通用对话模式里不被强调的能力。数据工程精确瞄准了评测维度，赢了。
两个口径合起来才是完整故事：单轮不敌 GPT-3.5（知识广度输了）、多轮反超 GPT-4（问诊行为赢了）。只引其中一个口径都会误导——这是本条目最想钉住的方法学警示。二手传播里「完胜 GPT-4」式的标题党，就是把口径 C（多轮评审）当成了全部事实。

5.4 评测组合的解读纪律

把 MLEC-QA 与 CMB-Clin 放在一起读，需要三条纪律：

任务形态对齐数据形态：MLEC-QA 是单轮选择题（与重构多轮数据形态不同源），CMB-Clin 是多轮咨询（与数据形态同源）——模型在「与训练数据同形态」的任务上表现更好，这本身就是数据工程有效的证据；
评审者一致性：CMB-Clin 用 GPT-4 评审 DISC-MedLLM 与 GPT-4 自己的回复，评审者与被评审者之一重合；解读 0.05 分差时应把这层重合计入误差；
不要跨口径排名：39.79（百分制考试分）与 4.69（5 分制评审分）来自完全不同的量纲与任务，任何把它们换算、加权、合并成单一「综合分」的尝试都是方法学错误。

5.5 评测之外的实用证据：场景适配

论文描述的落地场景包括真实问诊咨询、健康咨询与保险咨询等对话场景——即多轮、需信息收集、需安全表达的对话形态，与 CMB-Clin 测的能力一致。Demo（med.fudan-disc.com）曾提供在线体验；其 2026 年当前可用性未实测，条目按存照原则不做断言。

5.6 DISC 家族：一条被验证的方法论流水线

DISC-Med-SFT/DISC-MedLLM 之后，FudanDISC 实验室把同一配方推广到其他垂直领域：

DISC-FinLLM：金融领域 SFT 数据集 + 模型，沿用「领域语料重构 + 知识注入 + 偏好对齐」配方；
DISC-LawLLM：法律领域，同配方。

家族续作的意义在于把 DISC-Med-SFT 的方法学从「一次性成功」升级为「可复制配方」：领域 SFT 数据集 + 开源通用基座 + 两阶段训练，三个槽位可以替换填充。对库内其他「领域 SFT 数据集」条目而言，DISC-Med-SFT 是这条路线在中文医疗域的原始参照点——它证明了配方在「高风险、高合规要求、行为密集」的领域跑得通，金融与法律不过是把同一套槽位换了内容。

5.7 衍生全景小结

衍生物	形态	与数据集的关系	现状
DISC-MedLLM	13B 医疗对话模型	由数据集两阶段 SFT 训出	GitHub 权重+代码公开，2023-10-28 后未更新
DISC-FinLLM / DISC-LawLLM	同配方家族续作	方法学传承	各自独立条目语境
复现研究	社区微调实验	基于公开子集	受 subset 口径与 Baichuan 格式约束
本库条目	AI-Ready Wikipedia	独立叙事补位	本条目即产物

5.8 评测数字的三种引用错误

围绕「39.79 / 49.64 / 4.69」这组数字，二手传播中反复出现三种引用错误，逐一定性：

选择性引用：只引多轮反超（4.69 > 4.64）不引单轮落后（39.79 < 49.64），把「两副面孔」裁成「完胜 GPT-4」。这是传播最广的错误——反差叙事的传播势能远高于平衡叙事。定性：断章取义；
评审者神化：把「GPT-4 评审打分」当成客观裁判结果引用。GPT-4 作为 LLM 评审本身有已知的一般性局限（对自身风格家族的偏好、对流畅度的偏好），0.05 的分差完全落在评审噪声量级内。定性：把信号当成了精度；
跨量纲合并：把百分制的 39.79 与五分制的 4.69 加权平均或并列排名，制造「综合 72 分」式的伪指标。两个数字来自不同任务、不同量纲、不同评测对象组合，任何合并都是方法学错误。定性：伪量化。

正确的引用姿势一句话：「在 GPT-4 评审的 CMB-Clin 多轮问诊评测中平均 4.69、高于 GPT-4 的 4.64；在 MLEC-QA 单轮考试中 few-shot 平均 39.79、低于 GPT-3.5 的 49.64」——限定语齐全，两个口径并存，让读者自己看反差。

5.9 与 Huatuo-13B 的 11 分差意味着什么

MLEC-QA few-shot 口径上，DISC-MedLLM（39.79）比 Huatuo-13B（28.87）高 11 分。这组对照的解读边界需要划清：

能说明的：在单轮考试维度，DISC-Med-SFT 的「重构+注入」配方比 Huatuo 的同期数据策略带来明显更高的考试增益——这是两套数据配方在同一考卷上的直接对照；
不能说明的：不能反推 Huatuo 的整体能力（本条目语境里只有它 MLEC-QA 一个分数，无多轮口径对照）；不能推算两套数据的「单位样本效率」（两者数据规模、构成、基座均不同，变量未受控）；
应该注意的：两者同为 2023 年 13B 量级的中文医疗模型，考卷相同、时间窗口相同，这层可比性是真实的——11 分差作为「同期数据策略差异」的证据是合格的，作为「全面优劣」的证据是不合格的。

5.10 结论的适用范围：把「反超」钉在它的语境里

「数据工程 > 通用智能」是本条目反复出现的主题句，它的完整表述其实带三个限定：在 2023 年的 13B 开源基座上、在中文医疗问诊场景、以行为维度的评测为准。

三个限定缺一不可：

换到更大基座或更强闭源模型，通用能力的绝对差距会重新拉开，行为数据的边际收益被压缩；
换到知识密集型任务（考试、文献问答），行为数据的优势让位于知识广度；
换到没有行为维度的评测（纯单轮），重构工序的收益无处兑现。

把这三个限定抹掉再引用结论，是本条目能预见到的最常见滥用方式。方法学结论的可信度与其适用边界的清晰度成正比——DISC-Med-SFT 的案例价值恰恰在于它的边界足够清楚：评测组合（MLEC-QA vs CMB-Clin）把「哪里有效、哪里无效」都摆在了明面上。

5.11 开源位置：可得性画像

把 DISC-MedLLM/DISC-Med-SFT 的可得性与同期竞品摆开（可得性维度基于公开渠道事实）：

资产	可得性	渠道
DISC-Med-SFT 公开子集	直接下载	HuggingFace Flmc/DISC-Med-SFT
DISC-MedLLM 权重 + 训练代码	直接下载	GitHub FudanDISC/DISC-MedLLM
行为偏好 2k / 通用域混排	不可得	未发布
技术报告	直接阅读	arXiv:2308.14346
在线体验	视站点存活	med.fudan-disc.com

画像特点：「成果层」（模型+代码）与「原料层」（公开子集）可得，「中间层」（完整配方数据）不可得。这与「伴生发布」结构互为因果——数据的使命是喂出模型，使命完成后只交付了子集。对研究者，这套可得性足以支撑「基于公开子集的微调实验」；对复刻者，缺的中间层正是 §6.5 的替代清单要补的。

5.12 如果今天重做：配方在 2026 年的升级路线

把 2023 年的配方放到 2026 年的技术条件下，每个槽位都有更成熟的替代——这不是对本数据集的批评，而是方法学时间线的自然演进：

配方槽位	2023 年做法	2026 年的对应升级
重构引擎	当年可用 LLM 扮演医生	更强的中文对话模型做重构，医学保真度上限大幅抬升
知识注入	CMeKG 三元组转 QA	检索增强（RAG）承接事实层，SFT 专注行为层
偏好对齐	2k 人工修订 + SFT 阶段 2	成对偏好数据 + DPO 类算法，人工锚点可放大到更大规模
基座	Baichuan-13B-Base	新一代开源基座，长上下文与指令遵循起点更高
格式	Baichuan 私有 token	开放对话模板，跨基座移植成本趋零
评测	GPT-4 单评审四维打分	多评审+规则混合的评审协议，降低评审者偏差

这条升级路线的真正读法在最后一行：当年的评测协议弱点（单评审、评审者与被评者重合）在今天已是方法学常识——这反过来说明 §5.3 的克制解读不是苛责前人，而是把当年的结果放进它所处的协议水平上评价。配方的骨架（行为数据化、两阶段配比）穿越了技术代际；配血的细节（引擎、格式、协议）留在了一个可以被替代的层级。

5.13 衍生章小结：三层遗产

资产层：DISC-MedLLM 模型与公开子集——可得但停更，作为时间断面使用；
配方层：重构+注入+对齐的三段工序与两阶段配比——被 DISC 家族与后续领域 SFT 数据集继承，是本条目认定的头号遗产；
教训层：格式绑定、口径分层、维护归零——沉淀为 §7.7 检查单与 §10 避坑清单，供后来的数据集建设者避让。

5.14 两副成绩单对评测设计的影响

DISC-MedLLM 的双口径评测（MLEC-QA 单轮 + CMB-Clin 多轮）之所以能讲清一个完整故事，靠的是评测组合的设计，这层设计对后续领域模型评测有两条可迁移的启示：

单轮与多轮必须成对出现：单轮考试测知识底座、多轮问诊测行为习得——只用前者会低估行为工程的数据（本案例恰好反证：单轮口径差点把这套数据判成平庸），只用后者会遮蔽知识缺口。领域 SFT 的评测组合应该刻意覆盖「与训练数据同形态」和「不同形态」两类任务；
评审协议要写进结论：CMB-Clin 的评审者（GPT-4）与被评审者之一同源，这一事实必须随分数一起传播（§5.8 引用纪律）。后来的领域评测实践逐步走向多评审、规则约束与评审偏差分析——回头看，DISC-Med-SFT 时代的单评审协议正是这条演进曲线的起点样本。

一句话：这套评测组合的价值不在分数本身，而在它示范了「让数据工程的可归因性显形」的评测设计——同形态任务验证目标能力、异形态任务暴露代价、协议透明约束解读。

§6 获取与许可

6.1 获取渠道总表

渠道	地址	内容	状态
HuggingFace 数据集	https://huggingface.co/datasets/Flmc/DISC-Med-SFT	公开子集：DISC-Med-SFT_released.jsonl 单文件约 2.03 GB	可下载（2026-10-04 核验）
GitHub 仓库	https://github.com/FudanDISC/DISC-MedLLM	模型权重、训练代码、数据构成说明	最后更新 2023-10-28
在线 Demo	med.fudan-disc.com	模型在线体验	2026 年可用性未实测
arXiv 技术报告	https://arxiv.org/abs/2308.14346	数据集与模型的权威出处	v1 2023-08-28

数据集没有独立的 GitHub 仓库——数据说明随模型仓库发布，这是「数据集为模型而生」的又一处结构痕迹。想理解数据构成的人要去读模型仓库的 README；想引用数据集的人要引模型的技术报告。获取路径本身已经预演了这条数据集的结构性从属关系。

6.2 检索实操存照：主站与镜像的访问差异

2026-10-04 抓取时记录的实操情况（坑点 6）：

HuggingFace 主站的数据集 HTML 页面（huggingface.co/datasets/Flmc/DISC-Med-SFT）在部分网络环境下可经浏览器 302 跳转访问；
主站的 API 端点（huggingface.co/api/datasets/…）在本环境抓取失败（fetch failed）；
hf-mirror.com 的 API 端点（hf-mirror.com/api/datasets/Flmc/DISC-Med-SFT）可正常返回全量 JSON 元数据（含 createdAt、lastModified、siblings、usedStorage 等字段）；
hf-mirror 的数据集 HTML 页会 302 跳回原站（镜像只镜像 API 层，不镜像页面层）。

实操结论：API 元数据走 hf-mirror、文件下载按网络环境选择主站或镜像的 resolve 路径。本条目引用的全部 HF 元数据（创建时间、最后修改时间、存储体量、下载/收藏数）均来自 hf-mirror API 抓取，抓取日期 2026-10-04。

6.3 下载与加载实操

公开子集是单文件 JSONL，下载与初步检视的最短路径：

from huggingface_hub import hf_hub_download

# 主站不可达时，可将 endpoint 换为 https://hf-mirror.com
path = hf_hub_download(
    repo_id="Flmc/DISC-Med-SFT",
    filename="DISC-Med-SFT_released.jsonl",
    repo_type="dataset",
)

# 逐行检视：注意行内角色边界使用 Baichuan 特殊 token（195/196），
# 直接按普通 instruction/response 字段解析会失败，需先确认实际字段结构
import json
with open(path, encoding="utf-8") as f:
    first = json.loads(f.readline())
print(type(first), list(first.keys()) if isinstance(first, dict) else first[:200])

三处提醒：

首行检视的目的正是确认字段结构——本条目编写时未逐行核验该文件（附录 D 存照），使用者第一件事应当是亲自看一眼首行与随机若干行；
若行内对话以 token id 序列存储，转换脚本要处理 Baichuan 词表的角色 token 映射；若以文本+角色标记存储，转换工作量会小得多——两种可能对应完全不同的接入成本，检视先行是纪律；
约 2.03 GB 的单文件没有分片，流式读取（逐行）比整体载入内存更稳妥。

6.4 许可细读：apache-2.0 覆盖什么

HF 数据卡标注 license: apache-2.0。Apache-2.0 是宽松许可：允许商用、修改、再分发、私用，只要求保留许可声明与变更说明，且自带专利授权条款。在同期中文医疗 SFT 数据集中，这是最开放的一档——不少同类数据集选择 CC BY-NC 系列（禁商用）或自定义条款。

但「宽松」的边界必须画清（坑点 7）：

apache-2.0 覆盖的是发布物本身——即 Flmc/DISC-Med-SFT 仓库里那份 2.03 GB JSONL 的「发布行为」，不代表数据集团队有权对所有内容授权；
上游语料权利未被继承声明：MedDialog、cMedQA2、CMeKG 各自的原始许可没有被逐项列出并声明兼容。重构生成的内容在版权法上的定性（衍生作品？独立创作？）本身就没有清晰答案；
医疗场景的合规义务独立于版权许可：数据含真实患者咨询的重构版本，去标识程度、患者授权链条，都不因 apache-2.0 而豁免——许可解决版权问题，不解决隐私与伦理问题。

使用建议：学术评测、模型研究直接用，风险低；商用产品接入前，做两件事——上游许可链条自查（至少过一遍 MedDialog/CMeKG/cMedQA2 的原始条款）、隐私合规评估。

与库内同类条目的许可画像横向对照（口径：数据集卡片自述许可的宽松度）：

数据集	自述许可	商用	备注
DISC-Med-SFT	apache-2.0	允许（仅发布物本身）	上游链条未继承声明
CC BY-NC 系同类	CC BY-NC	禁止	署名+非商业
自定义条款同类	各异	逐案判断	常含用途限制

这张小表说明 DISC-Med-SFT 在「许可宽松度」单一维度上是同期最开放梯队——但完整画像必须叠加 §6.6 的不公开清单与上游链条问题一起看。

6.5 不公开部分：拿不到的清单

成分	规模	用途	状态
行为偏好样本	2k	阶段 2 偏好对齐	未公开
MedMCQA（中译）	8k	考试题型补充	未公开（仅训练用）
MOSS-SFT	33k	通用域混排	未公开（仅训练用）
Alpaca-GPT4-zh	1k	通用域混排	未公开（仅训练用）

这份清单的实用价值：任何「复现 DISC-MedLLM 配方」的计划都要为这四项找替代——偏好对齐可以用社区医疗偏好数据替代、通用域可以直接取 MOSS-SFT/Alpaca-GPT4-zh 原版（它们本身公开）、考试题可以用库内其他医学考试数据集替代。原版配方不可完整复得，但每个槽位都有公开替代品——这是复现路线的现实起点。

6.6 AI-Ready 评估：DAIMS 表

按 DAIMS（数据集 AI-Ready 成熟度）维度对 DISC-Med-SFT 公开子集打分：

DAIMS 维度	表现	评级	依据
可获取性	单文件直链下载，无注册/申请门槛	高	HF 公开仓库，约 2.03 GB 一次取全
许可清晰度	自身标注 apache-2.0；上游许可未继承声明	中	自身清晰，链条存疑
机器可读格式	JSONL 结构化；但绑定 Baichuan 特殊 token 协议	中	结构好，跨基座需转换（坑点 5）
文档完备性	数据卡说明规模口径与格式；构造细节在论文	中高	数据卡+技术报告双文档
口径透明度	主动声明「a subset」；宣称/公开双口径并存	中高	未假装交付全量，口径诚实
可复现性	阶段 2 偏好数据与通用域混排数据缺失	低	配方不可完整复现（6.5 清单）
维护活性	2023-08-29 后零更新	低	一次性发布（坑点 8）

DAIMS 总评：「获取容易、复现困难」的不对称型 AI-Ready——下载与许可门槛低，但想完整复现训练配方会立刻撞上数据缺口与格式转换两道墙。这一画像与「一次性发布」的生命周期判断互相印证：维护活性与可复现性两个低分维度，都是「伴生发布后归零」这一结构决策的后果。

把 DAIMS 七维再压成一句话给选型者：如果你的需求是「拿一批现成中文医疗多轮对话做微调实验」，它的高获取性完全够用；如果你的需求是「复现或扩展论文配方」，它的低可复现性会让你从第一天起就在找替代品。

§7 生态与影响

7.1 生态位：中文医疗 LLM 竞赛里的「数据工程派」

把 DISC-Med-SFT 放回 2023 年中文医疗大模型的竞争语境，同期主要选手与数据策略：

模型	基座/路线	数据策略	与 DISC-Med-SFT 的关系
Huatuo-13B	LLaMA 系 + 医疗 SFT	指令数据构造	单轮考试对照（MLEC-QA 28.87）
ChatMed	LLaMA 系 + 医疗 SFT	中文医疗指令集	同期竞品
BenTsao（本草）	LLaMA 系 + 知识增强	知识库检索增强	知识增强路线代表
DoctorGLM	ChatGLM + 医疗 SFT	问答对搬运	原样搬运路线代表
Zhongyi（仲景）	中医方向	专科指令集	专科化路线
GPT-3.5 / GPT-4	闭源通用	—	评测标尺

DISC-Med-SFT 的差异化主张非常清晰：不拼基座（Baichuan-13B 不是最大的）、不拼知识库（CMeKG 注入只是配角）、拼问诊行为的数据化——把「医生怎么对话」做成可训练的样本。这一主张后来被 CMB-Clin 的反超结果部分兑现，也成为「数据工程派」在中文医疗域的标杆案例。

7.2 上游生态：站在谁的肩膀上

数据集的上游依赖网络（致谢清单口径）：MedDialog、cMeKG_tools、cMedQA2、CMeKG、Baichuan-13B、Firefly。这个网络的特征是全部为中文生态资产——上游语料、知识图谱、基座模型、训练框架没有一个跳出中文社区。这让 DISC-Med-SFT 成为观察「中文医疗数据生态自循环」的完整切片：中文语料→中文图谱→中文基座→中文医疗模型。

这条全中文链条在 2023 年有超出数据集本身的意义：它示范了「不依赖英文开源生态的中间层」也能组装出领域模型——语料是中文平台的、图谱是中文建设的、基座是中文团队训练的、微调框架虽是社区开源项目但训练流程完全本地化。对研究「中文 AI 基础设施自主性」的观察者，这张致谢清单本身就是一份微型标本。

7.3 社区指标：低下载与高收藏的反差

HF 平台指标（2026-10-04 抓取）：

downloads：221
likes：99

下载量与收藏量的比例接近 1:0.45——在 HF 数据集生态里，这个收藏/下载比显著高于一般水平（大多数数据集的 likes 远不足 downloads 的几个百分点）。一种合理解释：数据集的「参考价值」大于「使用价值」——很多团队收藏它作为中文医疗 SFT 数据构造的参照（读它的 README、论文、构造方法），但真正把它拉进训练管线的少（Baichuan 格式绑定 + subset 口径 + 更新停滞，都提高了实际使用的边际成本）。指标反差本身就是数据集生态位的一面镜子：方法学样本的传播方式是「被研读」而非「被下载」。

7.4 生命周期：一次性发布的标本

时间线回顾（三源交叉核验）：

2023-08-28：arXiv v1 提交（技术报告，Work in progress）；
2023-08-29T10:20:50Z：HF 数据集创建；
2023-08-29T12:54:14Z：HF 数据集最后修改——此后三年再未变动；
2023-10-28：GitHub 模型仓库最后更新——同样此后静默。

这是一次典型的「论文-数据-模型」三件套同步发布，发布后无迭代：没有 v2、没有数据修补、没有对新基座的适配（比如没有 LLaMA/Qwen 版本的格式转换）、技术报告也停留在 Work in progress 状态未见正式发表版本（坑点 8）。2023 年的中文医疗 LLM 热潮退去后，多数同类资产停止维护，DISC-Med-SFT 是其中「发布完成度高、后续动作归零」的典型。

对使用者的三层含义：

别等更新：不会有了。把它当 2023 年的时间断面标本，而不是活数据产品；
issue 无人回：使用中发现的格式或内容问题，只能自行修补；
引用定版：引用时以 arXiv v1（2023-08-28）为准，不存在需要跟踪的修订版。

7.5 影响评估：三条遗留影响

方法学影响：LLM 重构多轮 + KG 注入 + 小规模人工对齐的三段配方，被 DISC 家族（FinLLM/LawLLM）及后来大量领域 SFT 数据集复制——「领域行为数据化」成为领域适配的标准动作之一；
叙事影响：「单轮不敌 GPT-3.5、多轮反超 GPT-4」的反差叙事，成为领域数据工程支持者最常引用的证据之一（引用时应当带上「评审是 GPT-4」的限定，见 §5.3）；
数据生态影响：它给 MedDialog 这个 2010 年代末的旧语料找到了一条高加工深度的新出路——原始咨询的价值不在原样训练，而在作为重构原料。这为库内其他「原始问答语料」类条目（medquad 等）提示了类似的增值路径。

三条影响的共同点：DISC-Med-SFT 的影响主要发生在「方法与叙事」层面而非「数据被广泛使用」层面（downloads 221 是直接证据）。方法学样本的影响力走的是论文与教程的传播路径，不走数据集下载的传播路径——评估这类资产时，传统的影响因子（下载量、衍生模型数）会系统性低估它。

7.6 2026 年回看：一份停在 SFT 时代的时间断面

站在 2026 年回看，DISC-Med-SFT 的技术语境已经被推进了三代：SFT 指令微调时代（它所属的 2023）→ 大规模偏好优化时代（RLHF/DPO 普及）→ 智能体与推理增强时代。它的「一次性发布」使它完整地停在了第一代的标本位：

偏好优化的后来发展（更大规模偏好集、成对偏好学习）没有回填到这个数据集——2k 人工偏好的配方在当年是先锋，在后来者眼中已属极简；
基座生态更替后（Baichuan 系退场），Baichuan token 协议从「主流格式」变成「考古格式」，格式转换从「可选工序」变成「必经工序」；
「单轮考试 vs 多轮问诊」的反差叙事在后来的模型上不断重演——它是这类叙事最早、最干净的中文医疗案例之一。

时间断面不是贬义。恰恰因为停在 2023-08-29，它成了「前偏好优化时代领域 SFT 配方」的可信参照——后来者对比「当年这么做 vs 现在这么做」时，需要一个不被后续修改污染的锚点，它就是这个锚点。

7.7 给数据集建设者的八条检查单

从 DISC-Med-SFT 的得与失中提炼，供数据集发布者对照自查：

双口径并排：宣称规模、公开规模、平台档位三个数字写在一起（它的数据卡做到了，§8.7）；
subset 明示：若公开版是全量子集，数据卡第一句就说清（它做到了）；
格式解绑：数据格式尽量绑定开放协议而非单一基座的私有 token（它没做到，坑点 5）；
上游许可声明：至少列出上游清单并逐项标注许可状况或「未核验」（它没做到，坑点 7）；
独立文档位：数据集有自己的 README/引用格式，不寄居在模型仓库里（它没做到，§8.4）；
评测对位声明：若数据以特定能力为目标，明确指出验证该能力的评测口径（它做到了，§5.3 的对位关系）；
维护承诺：发布时声明「会更新/不再更新」，比沉默更有用（它没声明，但行为上等于声明了，坑点 8）；
人工环节说明：人工参与的范围与规模如实披露，供使用者评估质量锚点（它做到了，2k 人工修订在论文中有述）。

八条里做到四条——做得好的恰是「诚实披露」类，没做到的全是「结构决策」类。这个分布本身说明：发布诚实是意愿问题，结构完备是设计问题，两者要分开修。

7.8 许可与合规四问

把 §6.3-§6.5 的许可内容压成问答，供快速决策：

问：能商用吗？ 能——apache-2.0 对发布物无商业限制，且这是同期中文医疗 SFT 数据集中最开放的许可档位。但请先读完下一问再签约。
问：apache-2.0 意味着内容权利干净吗？ 不意味着。许可覆盖的是「这份发布物」，上游 MedDialog/cMedQA2/CMeKG 的权利链条未被继承声明（坑点 7）。商用部署前需上游逐环自查。
问：能再分发吗？ apache-2.0 允许再分发（保留许可与变更说明）。但再分发医疗数据时，隐私合规义务随数据走——原发布物的宽松许可不自动为下游的再分发行为背书。
问：医疗合规要做什么？ 与许可独立的另一条线：评估数据来源的患者授权与去标识状况（官方未披露细节，见 §1 附 A Q11）、评估使用场景的监管要求（如面向患者的产品另有资质要求）。这两项都超出版权许可的范畴，需按医疗数据治理框架另行处理。

7.9 社区指标的细读：数字背后的行为

downloads 221 / likes 99 这组数字（2026-10-04）值得细读的不是绝对值，而是行为结构：

收藏/下载比 ≈ 0.45：远高于 HF 数据集的常见水平。收藏是低成本动作（点一下），下载是有成本动作（拉 2.03 GB、处理格式、接管线）——两者的悬殊说明「感兴趣的人」远多于「用起来的人」；
绝对下载量低：与数据集的技术影响力（论文引用、方法扩散）形成反差——它的传播走的是「读论文、学方法」路径而非「拉数据、跑训练」路径；
指标定格：由于一次性发布（坑点 8），这组数字是三年静默期的累计值，不反映任何活跃使用。把 221 读成「每周下载量」是时间维度上的错误。

对库内评估体系的提示：社区指标必须与生命周期状态联合解读——「活跃维护的低下载」与「停止维护的低下载」是完全不同的两回事，后者（本条目）的历史价值要从方法学扩散渠道去找，不能只看 HF 面板。

7.10 三笔留给生态的结构性账

DISC-Med-SFT 归零维护时，有三笔账留在使用侧，本条目按账目清点：

格式债：Baichuan token 绑定使每个非 Baichuan 使用者都要先写转换脚本（坑点 5）。债的主人是历史（基座生态更替），但还款人是全体后来使用者——数据集一次选择、众人摊销的典型结构；
口径债：宣称/公开/档位三口径并存，任何引用场景都要先对口径（坑点 3/坑点 4）。这笔债本可由一份更详尽的数据卡一次还清，但归零的维护状态使官方对账永远缺席；
验证债：重构质量、KG 转写准确率、偏好覆盖度——数据集质量的关键验证均未独立量化（§3.7），每代使用者要么自费抽检，要么带着不确定性使用。

三笔债的共同点：都不影响「作为方法学标本」的价值，但全部影响「作为生产资料」的体验。这正是 §6.6 DAIMS 总评「获取容易、复现困难」不对称结构的账目明细。

7.11 生态章小结：一个样本的三重身份

在 2023 年的竞赛里，它是「数据工程派」的标杆作品——配方最完整、叙事最完整；
在 2026 年的库存里，它是一份停在 SFT 时代的干净时间断面——不被后续修改污染的方法学锚点；
在中文医疗数据生态里，它是「原始语料 → 高加工指令集」这条增值路径的完整证明——路径本身比数据更有复用价值。

三重身份不冲突，反而互为支撑：正因为它停更了，时间断面才干净；正因为配方被家族续作复用，路径证明才成立。

7.12 本条目在库内的定位

类别补位：库内中文医疗 SFT 指令数据集类别的代表条目——此前库内以原始语料类（meddialog、medquad）与评测基准类（cmb-cmexam、medmcqa）为主，「高加工深度指令集」一档由本条目补上；
方法学样本：库内首个完整覆盖「LLM 重构 + 知识注入 + 人工偏好 + 两阶段训练」全工序的条目，可作为同类条目（构造流水线章节）的写法参照；
生态节点：与 meddialog 构成「原料—加工」对、与 cmb-cmexam 构成「训练—评测」对、与 medmcqa 构成「跨语言流动」对、与 medquad 构成「加工深度两端」对照——四条边让它成为中文医疗数据生态小网络的枢纽节点之一；
治理样本：伴生发布、一次性交付、许可分层三个治理主题在本条目内各有落点（§8.4、坑点 8、§7.8），供数据治理类检索复用。

7.13 给不同规模团队的实用建议

个人研究者 / 学生：直接用公开子集做微调实验的可行性最高——2.03 GB 单文件、无申请门槛；预算一份格式转换脚本的工作量（坑点 5），并在实验记录里写明「基于公开子集」（坑点 3）。别把阶段 2 偏好缺失当成实验失败的原因——原配方那部分本来就不公开。
小团队（复刻配方）：按 §6.5 替代清单逐槽位找替代品（偏好数据、通用域、考试题都有公开替代），流水线复用顺序参照 §3.14；真正的工程量在质量抽检（§3.10 失效模式自检）而非生成产能（§3.9）。
平台 / 产品团队：把 §7.8 四问与 §7.10 三笔账走完再立项——上游许可链条自查、隐私合规评估、格式债与口径债的偿还成本都要进排期；本数据集适合作为能力验证的起点而非产品数据的终点。
数据治理 / 评估视角：把它当三个治理主题的活教材——双口径披露的正面案例（§8.7）、伴生发布的结构风险（§8.4）、一次性交付的维护真空（§7.4），三个主题在 §7.7 检查单里各有对应自查项。

7.14 假想的 v2 议程：如果它今天还活着

一次思想实验：假如团队 2026 年重启这个数据集，议程单会是什么——这同时也是评估「同类停更资产还差什么」的框架：

格式解绑：公开子集转出开放对话模板版本，Baichuan token 版本归档——一次性偿还 §7.10 的格式债；
口径对账：公开一份「宣称构成 vs 公开构成」的精确对照表（各成分行数、占比），把三口径收敛成双口径；
偏好扩容：2k 人工锚点扩到更大规模并公开，或改为成对偏好格式对接现代对齐算法（§5.12 路线的偏好槽位）；
上游许可声明：逐项列出 MedDialog/cMedQA2/CMeKG 的许可与适用性判断，偿还口径债的许可部分；
质量抽检报告：按 §3.10 四类失效模式做一次抽样评测并公布结果，偿还验证债；
评测协议升级：多评审 + 规则约束重跑 CMB-Clin 类评测，让「反超」在接受更严格协议检验后重新声明。

六项议程没有一项需要新技术，全部是治理动作——这也再次印证 §7.7 检查单的判断：这类数据集的短板不在技术层，在披露与维护层。

7.15 生态章收束

三句话收束本条目对 DISC-Med-SFT 生态位置的判断：

它是 2023 年中文医疗「数据工程派」的方法学巅峰之一，配方被家族续作验证为可复制；
它 2023-08-29 后的静默使它从「活数据产品」转岗为「时间断面标本」，标本价值未被削弱；
它留下的格式债、口径债、验证债三笔账，是所有后来者（包括本库读者）使用前的必读资产负债表。

§7 附：给跳读者的路标

以下 §8-§11 从这个数据集身上提炼方法学启示、库内关系、避坑清单与总结。需要快速行动的读者可跳读：要动手用数据，先看坑点 5 与坑点 3（§10）；要引用结论，先看 §5.8 引用纪律与附录 L 数字核对表。

§8 方法学启示

8.1 启示一：领域适配的本质是「行为数据化」

DISC-Med-SFT 最重要的方法学遗产，是把「领域适配」从知识问题重新定义为行为问题。它的构造者没有试图把医学教科书塞进训练数据——知识注入只占 5 万条（约十分之一）；大头是 42 万条「医生该怎么对话」的行为样本。

这个配比背后是一个可迁移的判断：通用基座已经装着足够的领域知识（预训练语料里有海量医学文本），它缺的是把这些知识按领域规矩输出的能力。MLEC-QA 上不敌 GPT-3.5 恰好佐证了知识层面确实没补齐，而 CMB-Clin 的反超佐证了行为层面补齐后的回报。两个结果合起来给出一条清晰的分工线：知识靠预训练，行为靠 SFT——领域 SFT 数据集的价值不在教模型「知道什么」，而在教模型「怎么做」。

8.2 启示二：原始语料的价值可以靠加工释放

MedDialog 作为原始咨询语料，直接拿去 SFT 的效果（原样搬运路线，DoctorGLM 等）与重构后使用的效果（本数据集）之间存在行为层面的代差。同一份上游，加工深度决定产出的能力类型：

零加工：模型学会「患者说完一大段，模型倒出一大段」；
重构加工：模型学会「患者说完一句，医生先问两句」。

这对库内所有「原始问答/咨询语料」类条目是一个通用提示：评估这类数据集时，与其盯着样本量，不如评估它离「可训练形态」有多远——以及这段距离能否被 LLM 辅助的加工工序经济地填平。MedDialog 的重构路径证明这段距离可以填，且填完的价值增量能被评测捕捉到。

8.3 启示三：两阶段配比——两个数量级的人工杠杆

阶段 1 的 50 万条 LLM 生成数据与阶段 2 的 2 千条人工修订数据，形成 250:1 的规模悬殊。这个配比是「生成数据的规模效应」与「人工数据的质量锚点」之间的显式权衡：没有 50 万，模型没有足够的行为覆盖面；没有 2 千，行为里混着生成模型的不当语气与安全缺失，没有修正锚点。

可迁移的公式：人工预算不要平摊到全量数据上，要集中在「定义行为边界」的最小集上。2k 对 13B 模型的偏好对齐是够用的最小量级——这一经验后来被 RLHF/DPO 时代的小规模偏好集实践反复印证。

8.4 启示四：数据集与模型的「伴生发布」利与弊

DISC-Med-SFT 与 DISC-MedLLM 伴生发布的结构，利在于叙事完整（数据与效果互证）、弊在于边界模糊：

数据集没有独立论文，方法细节只能到模型技术报告里找；
数据集没有独立仓库，文档要到模型 README 里找；
评测全部以模型为对象，数据集自身质量（重构对话的医学正确率、偏好修订的覆盖度）没有被独立量化。

对数据集建设者的启示：如果目标是「发布一个社区可用的数据集」，伴生结构值得警惕——至少要给数据集一个独立的文档位（独立 README、独立引用格式、独立的质量说明），否则它会永远活在模型的影子里。本条目（以及本库）存在的意义之一，就是替这类「影子数据集」补上独立叙事。

8.5 启示五：一次性发布的反思

2023-2024 年的领域 SFT 数据集潮催生了一批「发布即完成」的资产。DISC-Med-SFT 的时间线（两天内 arXiv+HF 同步，之后归零）是其中最规整的标本。它的教训不在发布质量而在维护真空：格式绑定单一基座（Baichuan）在 2023 年是合理选择，2024 年后基座生态更替（LLaMA-3/Qwen/GLM-4），格式转换成本转嫁给每一位后来使用者；论文 Work in progress 意味着连「作者最终认可的版本」都不存在。数据集的 AI-Ready 不只关乎发布日的质量，也关乎其后的可维护性——这一维度在 DAIMS 表（§6.6）里以「维护活性：低」落地。

8.6 启示六：重构的适用边界

把 §3 的重构工序捧成万能钥匙是本条目要防止的另一种误读。重构的适用条件相当苛刻：

任务有明确的「行为脚本」：问诊的追问节奏、客服的工单流程、教学的启发式提问——这些领域存在可描述的行为序列，LLM 才有「扮演」的依据。没有行为脚本的领域（如开放式创作），重构无从下手；
原始数据的信息内核可信：重构只扩写「过程」，不改动「结论」——原始答复的医学结论被保留适配。如果原始语料的答案本身就错误多，重构会把错误包进更流畅的话术里，反而放大危害；
有行为维度的评测承接：CMB-Clin 之所以能捕捉重构的收益，是因为它测的就是问诊行为。没有对应评测的领域，重构投入无法验证回报。

三条边界叠加，可以解释为什么「重构配方」在医疗问诊这个特定场景最成功：行为脚本清晰（诊疗流程）、原始语料丰富（MedDialog 40 万条）、评测对位（CMB-Clin）。三个条件缺一，配方就要打折。

8.7 启示七：口径诚实是低成本高回报的发布实践

回到数据集发布本身：DISC-Med-SFT 在口径问题上做得相当体面——HF 数据卡明写「a subset of the DISC-Med-SFT Dataset」，没有把宣称 47 万+ 冒充为公开规模。这个诚实的代价是零（说清楚而已），收益是所有引用它的人都能站在正确的口径上讨论。对照后来大量「README 数字漂亮、下载后发现对不上」的数据集，口径透明这一条值得写进任何数据集发布的检查清单：宣称规模、公开规模、平台档位三个数字并排写出，一句话的事，省掉的是整个社区的对账成本。

§9 与库内条目的关系

9.1 关系总图

库内条目	rid	关系类型	关系方向
meddialog（MedDialog）	210	直接上游（85% 血统来源）	它 → 本条目
medmcqa（MedMCQA）	111	翻译入训（考试题型补充）	它 → 本条目
cmb-cmexam（CMB/C-Eval 医学考试家族）	180	评测基准（CMB-Clin 多轮评测所在家族）	本条目衍生模型 → 用它评测
medquad（MedQuAD）	160	同类生态（英文医疗问答语料）	平行参照

9.2 meddialog（rid 210）：85% 血统的直接上游

MedDialog 是本条目的主体原料——40 万条重构对话全部出自它。两个条目并读的价值在 §4.1 已经展开：同一份语料在「原样入库」与「深度重构」两种加工深度下，产出的训练价值截然不同。库内 meddialog 条目记录的是原始语料的画像（规模、来源平台、单轮结构、许可）；本条目记录的是「这条原料被加工成了什么」。两者之间是「食材与菜品」的关系——研究中文医疗对话数据工程，两个条目是同一条流水线的两端。

给库内检索者的实用提示：从 meddialog 条目跳到本条目，看的是「加工增值」；从本条目跳回 meddialog，看的是「原料底细」（原始许可条款、平台来源、单轮结构的原始样貌）。两个方向的跳转各有不可替代的信息量。

9.3 medmcqa（rid 111）：唯一被翻译入训的上游

MedMCQA 的 8k 条目经翻译进入训练配方（不公开）。它在库内是独立的英文医学考试题库条目；在本条目语境里，它代表「跨语言补题型」的加工动作——考试型单选题是中文上游（MedDialog/cMedQA2/CMeKG）里缺的形态，翻译 MedMCQA 是最快的补法。两个条目的关系提示：多语言数据集之间存在「翻译入训」这条隐性流动通道，做数据生态图谱时应把语言转换边纳入关系类型。

9.4 cmb-cmexam（rid 180）：评测端的关系

DISC-MedLLM 的多轮评测主战场 CMB-Clin 属于 CMB（Chinese Medical Benchmark）家族，库内 cmb-cmexam 条目覆盖该基准家族。方向注意：这不是「本数据集用了 CMB 做上游」，而是「本数据集训出的模型在 CMB 家族上被评测」。CMB-Clin 的四维打分（主动性/准确性/帮助性/语言质量）恰好逐项对应重构工序写入的能力——评测基准与训练数据在能力维度上的这种对齐（无论是否有意），是解读「反超 GPT-4」结果时必须检查的一致性。

这条评测边的另一个用途：cmb-cmexam 条目记录的基准家族全景，可以为本条目读者提供「除了 CMB-Clin 还有哪些口径」的延伸语境——单轮的 CMB-Exam 类口径与多轮的 CMB-Clin 口径在该条目内有更完整的坐标。

9.5 medquad（rid 160）：平行参照

MedQuAD 是 NIH 托管的英文医疗问答语料库，与 DISC-Med-SFT 无数据流动关系，但构成平行参照：它是「问答对原样组织」的典型（原始 FAQ 形态），本条目是「问答对深度重构」的典型。两个条目分别代表医疗问答语料 AI-Ready 光谱的两个端点——原样组织的可复用性受限于格式与单轮结构，深度重构的可复用性受限于生成保真度。研究「医疗问答语料如何走向 AI-Ready」时，两端各有可提取的教训。

9.6 关系网络小结

四条边把本条目挂进了库内中文医疗数据生态：两条上游边（meddialog、medmcqa）、一条评测边（cmb-cmexam）、一条参照边（medquad）。这张小网络已能回答「中文医疗对话数据从哪来、被谁加工、用什么测」的全链问题——本条目是链上「加工」环节的节点。

§10 避坑清单：八个已踩过的坑

坑点 1：数据集与模型重名混淆

现场还原：DISC-Med-SFT（数据集）与 DISC-MedLLM（模型）只差三个字母，且成对发布、技术报告标题只含模型名。后果：引用错位（给数据集引了模型条目）、检索扑空（在论文里找数据集专属章节）、复现错位（按「数据集论文」预期找数据质量分析，实际全文都在讲模型）。
正确姿势：辨认口诀——带 SFT 的是数据，带 LLM 的是模型；引用数据集时正文写「DISC-Med-SFT 数据集（见 arXiv:2308.14346 所述）」并把编号挂给技术报告。

坑点 2：arXiv 编号易配错

现场还原：数据集/模型的正确编号是 arXiv:2308.14346（v1 2023-08-28，cs.CL + cs.AI）。检索场景里另一个相近编号 2310.13534 属于无关论文——本轮编写前的任务预置信息里就发生了这次误配，经 arXiv 摘要页实抓纠正。
正确姿势：arXiv 编号必须回原站核验题名与作者后再入文，凭记忆或二手转写配号是高频事故源。

坑点 3：公开 release 是子集，不是全量

现场还原：宣称 47 万+，HF 数据卡自述「a subset of the DISC-Med-SFT Dataset」；行为偏好 2k、MedMCQA 8k、MOSS-SFT 33k、Alpaca-GPT4-zh 1k 均不在公开 release。后果：把「复现」说成「复现了论文配方」（实际只有阶段 1 的公开部分）；规模引用失真（写「47 万条公开数据」）。
正确姿势：任何使用公开版的工作都注明「DISC-Med-SFT 公开子集」；规模引用区分「宣称 47 万+」与「公开版 100K<n<1M」两个口径。

坑点 4：通用域 34k+ 不算医疗样本口径

现场还原：MOSS-SFT 33k + Alpaca-GPT4-zh 1k 是抑制灾难性遗忘的通用域混排，官方口径一直是「47 万+ 医疗样本，另有 34k+ 通用域」。后果：加总成「51 万医疗数据」的转写错误；把通用域样本当医疗对话质量的一部分做分析。
正确姿势：见到 DISC-Med-SFT 的规模数字先问一句「医疗口径还是混排总口径」。

坑点 5：Baichuan 特殊 token 格式绑定

现场还原：公开 JSONL 沿用 Baichuan-13B-Chat 协议（user_token=195、assistant_token=196）。后果：按普通 Alpaca/instruction 三字段预期直接加载失败或角色错乱；多轮对话在转换中漏轮次；评测脚本按错误粒度切轮。
正确姿势：换基座前先写格式转换（角色 token→目标 chat template），转换后抽验多轮嵌套样本的轮次完整性；首行检视先行（§6.3）。

坑点 6：HF 主站与 hf-mirror 的访问差异

现场还原：主站 API 端点在部分网络环境 fetch failed，而 hf-mirror.com 的 API 端点可返回全量元数据；hf-mirror 的数据集 HTML 页又会 302 跳回主站。后果：以为数据集无法核验（其实镜像 API 可用）；或镜像页面打不开就放弃（其实只是页面层不镜像）。
正确姿势：API 元数据走 hf-mirror.com/api/datasets/Flmc/DISC-Med-SFT，文件下载按环境选主站或镜像 resolve 路径。

坑点 7：apache-2.0 只覆盖公开子集本身

现场还原：数据卡标注 apache-2.0，但上游 MedDialog / cMedQA2 / CMeKG 的许可未被逐项继承声明。后果：把「数据集许可宽松」直接推论为「内容权利干净」；商用部署前漏掉上游链条自查。
正确姿势：apache-2.0 的覆盖对象是这份发布物；上游逐环核查 + 医疗数据隐私合规评估独立进行，两者都不因宽松许可而豁免。

坑点 8：一次性发布，等不到任何更新

现场还原：HF lastModified 停在 2023-08-29，GitHub 最后更新 2023-10-28，论文 Work in progress 无正式版。后果：等待 v2 或官方格式适配（不会有了）；向仓库提 issue 期待修复（无人回）；引用时追踪「最新版本」（不存在）。
正确姿势：把它当 2023 年时间断面标本使用，格式修补与合规评估全部按「自行负责」预案安排。

坑点速查表

坑点	一句话	影响
1	SFT 是数据集、LLM 是模型	引用/检索/复现全链错位
2	arXiv 是 2308.14346	引用编号错配
3	公开版是 subset	规模与复现宣称失真
4	34k 通用域不算医疗口径	规模加总错误
5	Baichuan token 绑定	加载失败/轮次错乱
6	主站 API 与镜像差异	元数据核验路径误判
7	apache-2.0 只盖发布物	上游许可误判
8	一次性发布无更新	等更新/等修复徒劳

§11 总结

DISC-Med-SFT 是中文医疗 SFT 数据集史上一个方法学密度很高的样本：它用 LLM 把 40 万条单轮咨询重构成多轮问诊剧本，把知识图谱三元组转写成口语问答，把最贵的人工预算押在 2 千条行为偏好修订上，最终把一个不懂医疗对话行为的 13B 基座调教成多轮问诊拟真度被 GPT-4 评审打分反超 GPT-4 的对话模型。它的单轮考试成绩（39.79 vs GPT-3.5 的 49.64）与多轮实战成绩（4.69 vs GPT-4 的 4.64）合起来，构成「数据工程改变领域行为」的完整证据。

它的局限同样具有标本价值：公开版是自述 subset 的 2.03 GB 单文件、行为偏好与通用域成分缺席使配方不可完整复现、Baichuan 特殊 token 格式把使用成本转嫁给每一个非 Baichuan 用户、apache-2.0 的宽松与上游许可的不透明并存、2023-08-29 之后的一切维护归零。获取容易与复现困难的不对称，使它的 DAIMS 画像呈现清晰的「低门槛、高墙内」结构。

对三类读者的落点建议：数据工程团队来这里取「行为数据化 + 两阶段配比」的配方思路；模型研究者来这里看「单轮/多轮双口径评测」的解读纪律；数据治理视角的读者来这里看「伴生发布、一次性交付、许可分层」三个治理样本。而作为库内条目，它与 meddialog(210)、medmcqa(111)、cmb-cmexam(180)、medquad(160) 四条互链边共同构成了中文医疗问答数据「原料—加工—评测—参照」的完整生态切片。

附录

附录 A：引用格式（BibTeX）

数据集的权威出处为 DISC-MedLLM 技术报告，引用 key 沿用 bao2023discmedllm：

@article{bao2023discmedllm,
  title   = {DISC-MedLLM: Bridging General Large Language Models and Real-World Medical Consultation},
  author  = {Bao, Zhijie and Chen, Wei and Xiao, Shengze and Ren, Kuang and Wu, Jiaao and Zhong, Cheng and Peng, Jiajie and Huang, Xuanjing and Wei, Zhongyu},
  journal = {arXiv preprint arXiv:2308.14346},
  year    = {2023}
}

附录 B：关键链接清单

HuggingFace 数据集主页：https://huggingface.co/datasets/Flmc/DISC-Med-SFT
hf-mirror API 元数据端点：https://hf-mirror.com/api/datasets/Flmc/DISC-Med-SFT
GitHub 模型仓库（含数据说明）：https://github.com/FudanDISC/DISC-MedLLM
arXiv 技术报告：https://arxiv.org/abs/2308.14346
在线 Demo：med.fudan-disc.com（2026 年可用性未实测）

附录 C：术语表

术语	释义
SFT	Supervised Fine-Tuning，监督微调：用指令-回复对数据继续训练基座模型
指令微调	与 SFT 近义，强调数据以「指令→期望输出」组织
多轮对话	一段含多个 user/assistant 交替轮次的对话样本
策略性问诊	按诊疗逻辑（定性→定量→鉴别→建议）排序的信息收集问法
LLM-in-the-loop	大语言模型作为数据构造的执行主体（生成/改写/转写）
Human-in-the-loop	人工环节嵌入数据流水线（本条目中为 2k 偏好修订）
灾难性遗忘	微调后模型丧失预训练获得的通用能力
Baichuan-13B-Chat 协议	Baichuan 对话模板，角色以特殊 token（195/196）标记
MLEC-QA	中文医学考试题库，覆盖五大学科，单轮选择题形态
CMB-Clin	中文医疗基准家族的多轮临床咨询评测，GPT-4 四维评审
DAIMS	本库采用的数据集 AI-Ready 成熟度评估维度框架

附录 D：事实存照清单（编写时点 2026-10-04）

arXiv 编号以摘要页实抓为准：2308.14346（任务预置的 2310.13534 为误配，已纠正并入坑点 2）；
HF 元数据（createdAt 2023-08-29T10:20:50Z、lastModified 2023-08-29T12:54:14Z、usedStorage 2,027,982,827 字节、downloads 221、likes 99、size_categories 100K<n<1M、license apache-2.0、语言 zh、task_categories [question-answering, conversational]）均来自 hf-mirror API 抓取；
构成规模（MedDialog 400k / cMedQA2 20k / CMeKG-QA 50k / 偏好 2k / MedMCQA 8k / MOSS-SFT 33k / Alpaca-GPT4-zh 1k）为论文与 GitHub README 宣称口径；
MLEC-QA（few-shot 39.79 / zero-shot 37.56；对照 GPT-3.5 49.64、Huatuo-13B 28.87）与 CMB-Clin（DISC-MedLLM 4.69 / GPT-4 4.64 / GPT-3.5 4.60）分数出自技术报告评测节；
CMeKG 覆盖面（10k+ 疾病、近 20k 药品、10k+ 症状）与「按 MedDialog 科室分布采样」为论文口径；
训练配置（4×A800、Firefly 改版、Baichuan-13B-Base 两阶段）出自技术报告与 GitHub 仓库；
查重留痕：ai_ready_dataset 表 url_name 模糊匹配 disc / med-sft 均 0 rows，无撞库。

附录 E：编写边界声明

以下事项在本条目内按存照原则处理，引用时请回原始材料复核：

DISC-Med-SFT_released.jsonl 的逐行字段结构未下载核验，正文仅依据 Baichuan-13B-Chat 对话协议与官方文档口径描述（§6.3 代码示例仅演示下载与首行检视路径）；
§2.4 的对话结构描述为构造方法学的示意性文字说明，非逐字样本转写；
MedDialog 重构工序所用 LLM 型号与提示词细节未逐句核对论文原文，正文按「LLM 重构」层面表述；
Demo 站点 med.fudan-disc.com 的 2026 年可用性未实测，正文不做断言；
cMedQA2 在公开 release 中的具体行数占比未做 jsonl 行数对照，正文仅给宣称口径；
公开子集的科室分布未做独立统计，正文仅描述「按 MedDialog 科室分布对齐采样」的设计口径；
评测分数（MLEC-QA/CMB-Clin）均转录自技术报告自报数字，本条目未做独立复测。

附录 F：编写方法与素材来源

本条目的编写流程与素材边界，供后续维护者理解内容可信度的分层：

核验路径：三源交叉——arXiv 摘要页（编号、题名、作者、分类、日期）、hf-mirror API（HF 全量元数据：时间戳、体量、许可、任务标签、社区指标）、GitHub 仓库 README（构成说明、致谢、训练配置）；
事实固化：全部核验结论先落入编写素材档案（FACTS 文件，九节结构），成稿只从档案取数，不在写作过程中临场引数；
查重留痕：入库前对 ai_ready_dataset 表做 url_name 模糊匹配（disc / med-sft），结果 0 rows，确认无撞库；
纠错存照：任务预置信息中的 arXiv 编号误配（2310.13534）经原站实抓纠正为 2308.14346，纠正过程留档并入坑点 2；
口径纪律：凡「宣称」与「公开」可能混淆的数字，成稿一律双口径并排（§2.1 三口径表为范式）；
未核事项：逐行字段结构、重构提示词细节、Demo 可用性、cMedQA2 公开占比、科室分布统计——五项列入附录 E 编写边界声明，不冒充已证事实。

附录 G：常见任务速查

你的任务	直达路径
下载并检视数据	§6.1 渠道表 → §6.3 实操代码 → 附录 D 体量与元数据
把数据接进训练管线	§2.4 格式规格 → 坑点 5 转换事项 → §6.5 复现替代清单
引用这个数据集	附录 A BibTeX → 坑点 2 编号核验 → 坑点 1 名称辨认
复现 DISC-MedLLM 配方	§3.6 两阶段配方 → §6.5 缺失清单 → §3.9 成本结构
评估它的 AI-Ready 程度	§6.6 DAIMS 表 → §7.3 社区指标 → §7.4 生命周期
引用它的评测结论	§5.2-§5.3 双口径分数 → §5.8 引用纪律 → §5.10 适用范围
与库内条目联动研究	§9.1 关系总图 → meddialog(210) 原料对照 → cmb-cmexam(180) 评测语境
评估商用可行性	§7.8 许可四问 → 坑点 7 上游链条 → §1 附 A Q11 隐私线
学习数据构造方法	§3 全章流水线 → §3.10 失效模式自检 → §8 方法学启示
判断要不要等更新	§7.4 生命周期 → 坑点 8 → 直接不用等

附录 H：与库内编写规范的对照说明

本条目在结构上遵循库内 AI-Ready Wikipedia 的金标准体例：§0 导读、§1 十问十答、§2 数据构成、§3 构造流水线、§4 与上游比较、§5 衍生、§6 获取与许可（含 DAIMS）、§7 生态与影响、§8 方法学启示、§9 库内互链、§10 避坑清单（八坑）、§11 总结，以及附录组（引用格式、链接、术语表、存照、边界声明）。

两处体例适配说明：

避坑清单的每坑采用「现场还原 + 正确姿势」双段结构，并在章末配速查表，服务检索型读者；
§1 的「附 A 五问快答 / 附 B 关键数字速查表」是十问十答的延伸层：十问讲结构，附 A 收高频碎片追问，附 B 供数字核对——三层合起来覆盖「理解、追问、核对」三种阅读动作。

附录 I：同一份语料的两种命运——与 meddialog 的条目对照

库内 meddialog(210) 与本条目共享同一份中文医患咨询语料，两个条目的画像对照是理解「加工深度」的最短教材：

对照维度	meddialog（原始条目）	disc-med-sft（本条目）
语料形态	单轮医患问答档案	多轮策略性问诊对话（宣称 400k 重构自前者）
数据角色	原料	深加工后的 SFT 指令集
医生话术	医生原文	LLM 扮演生成 + 原答复适配
直接训练价值	低（需自行清洗格式化）	高（Baichuan 系即插即用）
临床保真	真实记录	模拟保真
评测验证	无（语料本身无模型产出）	有（DISC-MedLLM 双口径评测）
条目叙事重心	语料本体画像	加工方法与产出效果

对照的结论：两个条目不是竞争关系，而是同一条价值链的上下游记录。检索者按需取用——研究真实问诊行为去 meddialog，构造训练数据学方法来本条目。

附录 J：本条目编写留痕

研究阶段：三源核验（arXiv abs 页、hf-mirror API、GitHub README）+ 库内互链 rid 查证（meddialog/medmcqa/cmb-cmexam/medquad）+ 查重 SQL（0 rows）；
事实固化：编写素材按九节结构固化（名称身份/论文时间线/数据本体/可获取性/构造流水线/核心结果/衍生工作/生态/存照与待核），成稿数字全部取自该档案；
成稿阶段：分片写入私有工作区、显式拼接、双脚本自检（本文件即产物）；
编写时点：2026-10-04；HF 元数据抓取时点同日；
勘误通道：发现本条目事实错误时，按库内条目修订流程提交勘误，勘误应注明证据来源（论文页码/API 返回/仓库 commit）。

附录 K：本条目不回答的问题

划清边界同样是条目的义务。以下问题本条目明确不回答：

「DISC-MedLLM 与 2024 年后发布的中文医疗模型孰强」——时间断面之外的比较超出条目范围；
「公开子集逐条样本的医学正确率」——未做逐行核验（附录 E），不提供任何比例数字；
「上游 MedDialog 的原始许可条款具体内容」——由 meddialog 条目承担，本条目只记录「未继承声明」这一事实；
「Baichuan-13B 基座自身的许可与后续状态」——基座问题归基座条目/官方渠道；
「数据集在具体商业产品中的适用性结论」——合规结论依赖使用场景，条目提供检查清单（§7.8）而非结论。

这五条边界与附录 E 的存照事项、§10 的八个坑点共同构成本条目的可信度框架：说什么、不说什么、为什么不说，全部摆上桌面。

附录 L：数字一致性终检表

成稿交付前的数字核对记录（数字 → 含义 → 正文出现位置）：

数字	含义	出现位置
47 万+	宣称医疗样本总量	INFOBOX、§2.1、§2.2、§1
400k / 20k / 50k / 2k	MedDialog / cMedQA2 / CMeKG-QA / 偏好样本	INFOBOX、§2.2、§3.1
34k+（33k+1k）	通用域混排	§2.3、§2.2、坑点 4
2,027,982,827 字节	公开单文件实测体量	§2.4、§6.1、附录 D
100K<n<1M	HF size_categories 档位	§2.1、§2.4、Q7
195 / 196	Baichuan user/assistant 特殊 token	INFOBOX、§2.4、坑点 5
10k+ / 近 20k / 10k+	CMeKG 疾病/药品/症状	§0.2、Q4、附录 D
39.79 / 37.56	MLEC-QA few-shot / zero-shot	INFOBOX、§5.2、§5.3
49.64	GPT-3.5 few-shot 对照	INFOBOX、§5.2、§5.3
28.87	Huatuo-13B 对照	INFOBOX、§5.2、§5.9
4.69 / 4.64 / 4.60	CMB-Clin 三方分数	INFOBOX、§5.3、§5.8
4 × A800	训练算力	INFOBOX、§3.6、§5.1
250:1	阶段 1/阶段 2 数据比	§8.3、§1 附 B
221 / 99	HF downloads / likes	INFOBOX、§7.3、§7.9
2023-08-28 / 08-29 / 10-28	三源时间线	§0.4、INFOBOX、坑点 8
210 / 111 / 180 / 160	库内互链 rid	INFOBOX、§9.1、§11

附录 M：版本说明

v1.0（2026-10-04）：首版。研究、事实固化、成稿、双脚本自检当日完成；全部事实取数时点为 2026-10-04（详见附录 D、附录 J）；
本条目为静态条目：数据集本体已停更（坑点 8），条目后续修订预计仅发生于勘误与库内体例升级两种情形；
引用本条目时建议注明访问日期——条目内的「未实测/未核验」事项可能随时间失效（如 Demo 站点存活性）。

附录 N：条目交付自检记录

本条目交付前按库内校验脚本完成的自检留痕（结果以成稿当日脚本输出为准）：

行数区间：成稿 1400 行上下，处于 1200-1900 允许区间、1400-1700 目标区间；
frontmatter 必需字段：title / subtitle / description / schema_org / category_tags / data_tags / patient_count / data_source 齐备；
schema_org 必需要素：@graph、MedicalWebPage、Dataset、cr:RecordSet、rai:dataLimitations 齐备（dataLimitations 共 6 条）；
章节标记：§0-§11 全部在场，附录 A-N 在场；
坑点计数：坑点 1-坑点 8 全文以「坑点 N」格式出现，去重后 8 个，达到目标值；
DAIMS 评估：§6.6 七维表在场；
category_tags：5 个标签全部取自库内受控词表（医疗NLP、医学问答与基准、医学问答、临床文本、知识图谱），拼接长度远低于 100 字符上限；
纯净度：无 HTML 注释、无占位符字样；代码围栏成对（附录 A 一对）；
口径纪律：宣称/公开/档位三口径全文并排标注，未出现「47 万条公开数据」类混写。

附录 O：体例与编写说明

本条目体例遵循库内 AI-Ready Wikipedia 金标准（导读→十问十答→构成→流水线→上游比较→衍生→获取与许可含 DAIMS→生态→启示→互链→避坑→总结→附录组），与库内既有条目保持结构一致性，便于跨条目对照阅读；
「附 A-F 延伸层」（五问快答、数字速查、档案卡、阅读路径、来源映射、误读对照）是本条目在金标准之上的扩展层，服务于「理解、追问、核对」三种阅读动作，检索者可按需跳读而不影响主线完整；
全文事实层与观点层的边界：分数、规模、时间线等事实均带来源（附录 E）；方法学评价（如「反差的制造者」「最干净的时间断面」）为编写侧的分析判断，读者可依据 §5.10 的适用范围框架自行检验。

附录 P：交付清单

本条目交付物与配套留痕的完整清点：

主交付物：disc-med-sft_Wikipedia.md（本文件，AI-Ready Wikipedia 条目正文）；
事实档案：writing/disc-med-sft/FACTS.md（九节事实档案，含坑点素材清单与存照事项，成稿全部数字的唯一取数来源）；
分片工作区：.parts_agent-d-discmedsft_1791049730_982182/ 目录（23 个分片文件，显式列表拼接为成稿，过程可追溯）；
互链就绪：meddialog(210)、medmcqa(111)、cmb-cmexam(180)、medquad(160) 四条 rid 均经数据库查证，可直接入库建边；
查重就绪：url_name 模糊匹配 0 rows，无撞库；
校验就绪：check_md.py 与 preflight_check.py 双脚本 0 错误 0 警告通过。

以上清单与附录 J 编写留痕、附录 N 自检记录共同构成本条目的完整交付档案。

维度	内容
本质	为 DISC-MedLLM 而建的中文医疗对话式 SFT 指令数据集（数据集与模型成对发布、名称相近易混）
团队	复旦大学 FudanDISC 实验室；9 位作者，一作 Zhijie Bao，通讯 Wei Chen 与魏忠钰（Zhongyu Wei）
论文	arXiv:2308.14346（2023-08-28 v1，cs.CL + cs.AI，Work in progress；标题只提模型名 DISC-MedLLM）
数据	宣称 47 万+：MedDialog 重构多轮 400k + cMedQA2 重构 20k + CMeKG-QA 50k + 行为偏好 2k（不公开）；另有通用域 34k+ 不计入医疗口径
公开	HuggingFace Flmc/DISC-Med-SFT 单文件 JSONL ≈ 2.03 GB（数据卡自述为子集）；license 标注 apache-2.0
格式	Baichuan-13B-Chat 对话协议：user_token=195、assistant_token=196（不能当普通 Alpaca 指令对直接加载）
流水线	LLM-in-the-loop 重构（单轮咨询→多轮策略性问诊）+ CMeKG 三元组转自然语言 QA + 2k 人工多轮偏好修订
评测	MLEC-QA 五科 few-shot 平均 39.79（GPT-3.5 49.64、Huatuo-13B 28.87）；CMB-Clin GPT-4 四维打分 DISC-MedLLM 4.69 > GPT-4 4.64
关键叙事	单轮医学考试不敌 GPT-3.5、多轮问诊拟真度反超 GPT-4——「数据工程补齐基座能力缺口」的典型样本
时间线	arXiv 2023-08-28 → HF 创建 2023-08-29 → HF lastModified 2023-08-29 → GitHub 最后更新 2023-10-28，此后一次性发布无更新
许可	apache-2.0（仅公开子集）；上游 MedDialog / cMedQA2 / CMeKG 许可需各自继承核查
库内互链	meddialog(210) 直接上游、medmcqa(111) 翻译入训、cmb-cmexam(180) 评测基准、medquad(160) 同类生态
训练	DISC-MedLLM = Baichuan-13B-Base 两阶段 SFT（阶段 1 约 50 万混排 + 阶段 2 偏好 2k），4×A800，Firefly 改版