MedS-Ins — 面向医学大模型的大规模指令微调语料：58 个语料库、500 万实例、1.9 万条指令

INFOBOX — MedS-Ins 一屏速览

维度	内容
本质	面向医学的首个全面指令微调数据集（与 MedS-Bench 基准、MMedIns-Llama 3 模型成对发布）
团队	上海交通大学 + 上海人工智能实验室 + 中国移动；8 位作者，一作 Chaoyi Wu，通讯/主导 Weidi Xie 等
论文	arXiv:2408.12547（2024-08-22 v1，cs.CL；期刊版 npj Digital Medicine）
规模（现行口径）	58 个医学生物语料库 · 500 万实例（instances）· 1.9 万条指令（instructions）· 122 项任务
规模（v1 口径）	同 58 语料库 / 122 任务，但「指令×实例组合各计一样本」→ 1350 万 samples
来源域	医学知识库 43% · 临床文本 35% · 学术论文 13% · 考试 7% · 日常对话 2%（token 占比）
姊妹基准	MedS-Bench：11 类高层临床任务、由 39 个数据集衍生、覆盖 52 项具体任务
微调模型	MMedIns-Llama 3（8B，基于 MMed-Llama 3；batch 128、lr 1e-5、5 epochs、32×Ascend910B、383.5 小时）
公开	HuggingFace Henrychur/MedS-Ins 约 7.58 GB；GitHub MAGIC-AI4Med/MedS-Ins 提供代码与贡献指南
许可	仓库 LICENSE 为 CC BY-SA（MAGIC 联盟 2024）；论文版权声明 CC BY 4.0（brief 所载 MIT 经核为误）
关键叙事	单轮医学考试的「刷分」能力不等于临床能力——MedS-Ins 让 8B 开源模型在摘要/抽取/NER/诊断等任务上反超 GPT-4 与 Claude-3.5
库内互链	medqa(50) / medmcqa(111) / pubmedqa(49) 评测基线、mednli(648) 判别任务、medcalc-bench(708) 同域基准、disc-med-sft(824) 中文近邻

§0 导读：这个数据集解决什么问题

一句话回答：MedS-Ins 是上海交通大学与上海人工智能实验室联合中国移动构建的、目前公开范围内最成体系的医学指令微调语料库，它把 58 个彼此割裂的生物医学语料库，用统一的指令模板重组为 122 项临床任务，让一个 80 亿参数的开源医学模型在临床报告摘要、信息抽取、命名实体识别、诊断等任务上超过了 GPT-4 与 Claude-3.5。

要理解 MedS-Ins 的价值，先要理解它试图回答的批评。2024 年前后，GPT-4 等大模型在 USMLE 等医学多选题（MCQA）考试上已能取得高分，甚至通过 UMLS 考试。但论文作者尖锐地指出：这些高分与真实临床场景中的可用性之间，存在一条被 MCQ 基准掩盖的鸿沟。模型在解读 ICD 编码、预测临床操作、解析电子病历（EHR）数据时依然频繁出错。也就是说，一个模型能考满分，不等于它能写好一份出院小结，也不等于它能从病历里准确抽出药物实体。

MedS-Bench 就是为了暴露这条鸿沟而设计的。它不同于只考选择题的传统基准，而是覆盖临床报告摘要、治疗建议、诊断、命名实体识别、医学概念解释等 11 类高层临床任务；作者用 few-shot 提示评测了 MEDITRON、Mistral、InternLM 2、Llama 3、GPT-4、Claude-3.5 六个主流模型，结论是即便最先进的模型，在这些复杂任务上也举步维艰。

既然评测暴露了缺口，下一步就是补缺口。论文的思路直接借鉴了 NLP 领域的 Super-NaturalInstructions：与其让每个临床任务各自为战，不如把所有任务统一到一套指令格式上，用海量、多样、带任务定义的指令数据去训练模型。这正是 MedS-Ins（S = Super）名字的由来。它聚拢了 58 个医学生物语料库，横跨考试、临床文本、学术论文、医学知识库、日常对话五大来源，构建出 122 项任务的指令-实例对。用这套数据对轻量开源模型做指令微调，得到的 MMedIns-Llama 3 在几乎所有临床任务上都显著超越了既有模型。

对 AI-Ready 数据集的读者而言，MedS-Ins 的典型意义在于三点：其一，它是「数据工程补齐基座能力缺口」的范式样本——不改架构、不堆参数，仅靠高质量指令数据的规模化组织，就让 8B 模型在特定临床任务上反超顶级闭源模型；其二，它自带一个严格的「数据口径陷阱」——v1 论文的 13.5M samples 与仓库现行的 5M instances + 19K instructions 是同一数据集的两套计数法，不弄清就会在引用中出数量级错误；其三，它与 MedS-Bench、MMedIns-Llama 3 三者成对发布，形成「语料-基准-模型」的完整闭环，是理解当代医学 LLM 研发范式的关键切片。

本条目将沿「身份与谱系 → 数据构成与规格 → 指令生产流水线 → 姊妹基准 MedS-Bench → 评测与模型 → 获取与许可 → 生态与影响 → 方法学启示 → 库内关系 → 避坑清单」的顺序，逐层解剖这份数据集。

0.1 读这份数据集前，先建立三个心智模型

心智模型一：它是"教材"，不是"考题"，也不是"学生"。 MedS-Ins 是训练语料（教材），MedS-Bench 是评测基准（考题），MMedIns-Llama 3 是训出来的模型（学生）。三者同论文发布，名字相近，是本条目最容易混淆的地方。任何时候看到"MedS 某某"，先问自己：这是教材、考题，还是学生？

心智模型二：医学 LLM 的能力是"多轴"的，不是一个分数。 传统认知里，模型能力常用一个总分概括。但 MedS-Ins 的实验清晰显示："选择题能力"与"临床生成/抽取能力"是两条几乎独立的轴。GPT-4 在一轴领先，MMedIns-Llama 3 在另一轴领先。理解这一点，才能理解为什么作者要费大力气构建一个非选择题的基准。

心智模型三：数据工程是当代模型能力的重要杠杆。 在"堆参数、堆算力"的主流叙事之外，MedS-Ins 提供了一个"用精心组织的指令数据，让 8B 小模型在特定任务上反超顶级大模型"的样本。对资源有限的团队而言，这条路径的启示价值不亚于任何架构创新。

0.2 一句话定位与一个警告

一句话定位：MedS-Ins 是医学领域的 Super-NaturalInstructions——把 58 个割裂的生物医学语料库，统一成 122 项任务的大规模指令语料。

一个警告：本条目在核验中发现，任务头 brief 提供的 arXiv 编号（2410.03742）与许可（MIT）均与事实不符。前者是无关论文，后者实为 CC BY-SA。这提醒所有读者：任何二手摘要都可能出错，一手核验不可省略。本条目所有关键数字均以 arXiv:2408.12547 与 GitHub 仓库一手抓取为准。

§1 数据集速览：十问十答

问 1：MedS-Ins 到底是什么？
它是一份医学领域的指令微调数据集（instruction tuning dataset）。给定一个临床任务（如「把这段放射报告写成结构化摘要」），数据集提供"指令 + 输入 + 期望输出"的配对样本。它不提供模型权重本身，而是提供训练模型用的数据；配套模型 MMedIns-Llama 3 是论文的验证产物，不是数据集的一部分。

问 2：它由谁构建？
由上海交通大学、上海人工智能实验室、中国移动通信集团（含中国移动上海公司）联合构建，署名机构为 MAGIC（Medical Artificial General Intelligence Consortium，医学通用人工智能联盟）。通讯与主导作者为 Weidi Xie、Ya Zhang、Yanfeng Wang，一作 Chaoyi Wu。

问 3：权威出处是哪个？
论文《Towards Evaluating and Building Versatile Large Language Models for Medicine》，arXiv 编号 2408.12547（2024-08-22 v1），后发表于 npj Digital Medicine。

⚠️ 特别提示：市面上有把 MedS-Ins 关联到 arXiv 2410.03742 的说法，该编号实为无关论文《Beyond Scalar Reward Model: Learning Generative Judge from Preference Data》。本条目以一手核验校正为准。

问 4：数据集有多大？
官方现行口径：58 个医学生物语料库、500 万实例（instances）、1.9 万条指令（instructions）、122 项任务。
官方v1 口径：同 58 语料库、同 122 任务，但把「指令与实例的不同组合各计为一个 sample」，因此计为 13.5 million samples（1350 万）。两套数字都对，取决于你用的是哪一版口径。

问 5：为什么会有两套数字？
因为计数方式变了。v1 论文按「组合」计数——同一条指令配不同实例、或同一实例配不同指令，各算一个新样本；现行口径把指令数与实例数分开统计（19K 指令 + 5M 实例），于是总量表述从 13.5M 变为 5M。仓库 README 对这一变更做了明确说明。

问 6：数据从哪来？
五大文本来源，token 占比为：医学知识库 43% > 临床文本 35% > 学术论文 13% > 考试 7% > 日常对话 2%。临床文本占比居次，确保微调数据与真实临床需求对齐；医学知识库占比最高，提供最广的医学事实基底。

问 7：每条样本长什么样？
每个任务对应一个 JSON 文件，字段包括：Contributors、Source、URL、Categories、Reasoning、Definition、Input_language、Output_language、Instruction_language、Domains、Positive Examples、Negative Examples、Instances。其中 Definition 定义任务、Reasoning 承载推理链、Positive/Negative Examples 提供正负示例——这是它区别于普通 QA 数据集的关键。

问 8：它和 MedS-Bench 是什么关系？
MedS-Bench 是评测基准，MedS-Ins 是训练数据，二者由同一篇论文一并提出。MedS-Bench 覆盖 11 类高层临床任务，由 39 个现有数据集衍生，共涉及 52 项具体任务。可以理解为：MedS-Bench 负责"考试命题"，MedS-Ins 负责"教材编写"。

问 9：用这套数据训出来的模型强在哪？
MMedIns-Llama 3（8B）在多项任务上反超闭源巨头：文本摘要 BLEU/ROUGE 达 46.82/48.38（GPT-4 仅 24.46/25.66）；信息抽取准确率 83.18（GPT-4 77.49）；NER 的 F1 达 68.58（GPT-4 仅 44.30）；诊断任务 SEER 98、DDXPlus 95。但在 MCQA 选择题上，GPT-4 仍以 75.3 均值领先——这恰好印证了"选择题能力 ≠ 临床能力"的核心论点。

问 10：怎么拿到、能商用吗？
GitHub 仓库 MAGIC-AI4Med/MedS-Ins 与 HuggingFace Henrychur/MedS-Ins（约 7.58 GB）均可获取。许可：仓库 LICENSE 为 CC BY-SA（署名且相同方式共享，含传染性），论文版权声明为 CC BY 4.0。上游 58 个语料库各自许可是另一层过滤，商用前须逐项核查。注意：brief 所载的 MIT 经一手核验为误，请勿据以使用。

1.1 速览表补充：身份、时间与人物

维度	事实
官方名	MedS-Ins（Medical Super-Instructions）
类型	医学指令微调数据集（instruction tuning dataset）
论文	arXiv:2408.12547；期刊 npj Digital Medicine
首发时间	2024-08-22（arXiv v1）
作者数	8 位；一作 Chaoyi Wu
机构	上海交通大学、上海人工智能实验室、中国移动通信集团
署名主体	MAGIC（医学通用人工智能联盟）
姊妹资产	MedS-Bench（评测基准）、MMedIns-Llama 3（模型）
数据规模（现行）	58 语料库 / 500 万实例 / 1.9 万指令 / 122 任务
数据规模（v1）	13.5M samples
许可	CC BY-SA（仓库）/ CC BY 4.0（论文）/ 上游待核
获取	HF Henrychur/MedS-Ins（7.58 GB）；GitHub MAGIC-AI4Med/MedS-Ins

1.2 谁该读这一条

• 医学 LLM 训练者：直接决定是否采用 MedS-Ins 作为指令微调语料；
• 指令数据工程师：借鉴"任务指令化 + 负例 + 推理链"的构建范式；
• 医学 LLM 评测者：了解 MedS-Bench 的任务构成与动态榜单机制；
• 数据集研究者：观察"口径漂移""许可继承"等真实数据治理问题的活案例；
• 医疗 AI 决策者：评估该资源的合规边界与工程接入成本。

1.3 一句话记住它

58 个语料库、122 项任务、500 万实例、1.9 万指令；姊妹基准 MedS-Bench 考 11 类临床任务；8B 模型靠它反超 GPT-4 的生成能力——这就是 MedS-Ins。

1.4 三处最易答错的"常识题"

在正式展开前，先把三个最容易答错的问题定下基调：

题一：MedS-Ins 的样本量是 1350 万还是 500 万？
答：都是，但属两套口径。v1 论文把"指令×实例的不同组合"各计一样本，得 13.5M；现行仓库把指令与实例分开计，得 5M 实例 + 19K 指令。本条目以现行口径为主，13.5M 存照。

题二：MedS-Ins 的许可是 MIT 吗？
答：不是。仓库 LICENSE 为 CC BY-SA，论文版权声明为 CC BY 4.0。任务头 brief 所载 MIT 经一手核验为误。

题三：MedS-Ins 的论文编号是 2410.03742 吗？
答：不是。正确编号为 arXiv:2408.12547（2024-08-22）。2410.03742 是另一篇无关论文的编号。

把这三题记住，就读懂了本条目一半的"校勘价值"——它们分别对应数据工程中三类典型陷阱：口径漂移、许可误传、编号错配。

§2 数据构成与规格

2.1 规模、来源与机构构成

MedS-Ins 的规模骨架可以用一句话概括：58 个医学生物语料库 → 122 项任务 → 500 万实例 + 1.9 万条指令。这个骨架的每一环都值得拆开看。

58 个语料库是它的原料池。这些语料库覆盖了整个生物医学文本的谱系：既有医学考试题库（反映结构化医学知识），也有临床文本（如出院小结、放射报告），既有学术论文（PubMed 类文献），也有医学知识库（结构化的疾病-药物-症状关系），还有日常对话（医患问诊类）。论文明确将这些来源归为五大文本域，并给出了 token 占比：

文本来源域	token 占比	定位
医学知识库（Medical knowledge bases）	43%	最广的医学事实基底
临床文本（Clinical texts）	35%	与真实临床需求对齐
学术论文（Academic papers）	13%	科研级知识
考试（Exams）	7%	结构化医学知识
日常对话（Daily conversations）	2%	医患互动语感

从这张表能读出作者的意图：知识库与临床文本合计占 78%，构成主体，说明数据集的重心在于"医学事实 + 临床可用性"，而非应试。考试域仅 7%，日常对话仅 2%，是有意的"配菜"——提供必要但不喧宾夺主的能力补充。

把五个来源域按"能力供给"重新理解，会更清楚它们各自的作用：

• 医学知识库（43%）：供给"模型知道什么"——疾病的定义、药物的属性、症状的关联。这是模型回答医学问题的事实底座。
• 临床文本（35%）：供给"模型怎么说"——病历、报告的真实表达方式。这是模型输出临床文本时的风格与术语来源。
• 学术论文（13%）：供给"深知识"——比教科书更前沿、更细的医学证据，支撑需要专业深度的任务。
• 考试（7%）：供给"结构化知识检验"——以问答形式固化知识点，但刻意压低占比以避免应试化。
• 日常对话（2%）：供给"互动语感"——真实医患交流的口语化表达，仅在需要对话任务时起补充作用。

这种"按能力供给而非按数据体量"分配占比的思路，是 MedS-Ins 区别于"见到什么数据就堆什么数据"的粗放数据集的关键设计。

机构构成上，这是一个典型的"高校 + 实验室 + 产业方"三方协作：上海交通大学与上海人工智能实验室（Shanghai AI Laboratory）贡献学术与算力，中国移动通信集团及其上海公司提供产业资源。8 位作者中，Chaoyi Wu、Pengcheng Qiu、Ya Zhang、Yanfeng Wang、Weidi Xie 兼顾上交与上海 AI Lab 双重身份，Jinxin Liu、Na Li 属中国移动集团，Hongfei Gu 属中国移动上海公司。署名机构统一为 MAGIC（医学通用人工智能联盟），这一联盟标识也出现在仓库 LICENSE 的版权声明中。

2.2 任务体系：122 项任务如何组织

122 项任务是 MedS-Ins 的组织核心。它不是把 58 个语料库简单堆叠，而是把每个语料库中的原始数据，重新包装成"指令-输入-输出"的任务格式。同一份原始数据，可以因指令不同而被组织成不同的任务；反过来，同一类任务也可以由多个语料库共同支撑。

论文提到数据集涵盖 19 个任务类别（19 task categories）。这 19 类是比 122 更粗的归类，也是比 11（MedS-Bench 的高层临床任务类）更细的层级。三者关系可以这样理解：

• 11 类 = MedS-Bench 评测时的高层临床任务视角（如"诊断"“NER”“摘要”）；
• 19 类 = MedS-Ins 数据组织的中层任务类别；
• 122 项 = 最细粒度的具体任务（每项 task 对应一个 JSON 文件）。

这种"粗-中-细"三层结构，使得数据既能按大任务聚合评测，也能按具体任务精细训练。

2.3 单任务 JSON 规格详解

理解 MedS-Ins 的规格，最直接的方式是读懂它的单任务 JSON schema。每个任务一个 JSON 文件，结构如下（字段语义按仓库 README 原文解读）：

{
  "Contributors": [""],
  "Source": [""],
  "URL": [""],
  "Categories": [""],
  "Reasoning": [""],
  "Definition": [""],
  "Input_language": [""],
  "Output_language": [""],
  "Instruction_language": [""],
  "Domains": [""],
  "Positive Examples": [ {"input": "", "output": "", "explanation": ""} ],
  "Negative Examples": [ {"input": "", "output": "", "explanation": ""} ],
  "Instances": [ {"id": "", "input": "", "output": [""]} ]
}

逐字段说明：

字段	语义	价值点
Contributors	贡献者姓名	支持社区贡献与署名
Source	语料来源名称	溯源到 58 个语料库中的哪一个
URL	数据源链接	可回查原始数据
Categories	高层 NLP 任务类（如 QA、summarization）	粗粒度分类
Reasoning	推理链说明（可空白）	指令的"思维过程"提示
Definition	任务的详细定义	让模型理解任务边界
Input_language / Output_language / Instruction_language	输入/输出/指令语言（中、英等）	多语言支持
Domains	医学子域（药物、诊断等）或内容类型	域标签，供筛选训练
Positive Examples	典型正例（含 explanation）	few-shot 示范
Negative Examples	典型错例（explanation 必需，本身可空）	负例学习
Instances	主实例集（id + input + output）	训练样本主体

这张表揭示了 MedS-Ins 与传统 QA 数据集的本质区别：它不止给"问答对"，还给"任务定义 + 推理链 + 正负示例"。这四者共同构成了一个"教会模型怎么做这类任务"的完整指令包，而非仅仅喂给它答案。这也正是 Super-NaturalInstructions 范式"任务指令化"的精髓。

2.4 与 Super-NaturalInstructions 的范式关系

论文自述 MedS-Ins 的构建"受 Super-NaturalInstructions 的启发"。Super-NaturalInstructions 是 NLP 领域一个里程碑式的指令数据集，它把 1600+ 个 NLP 任务用统一模板格式组织，证明大规模、多样化的任务指令能显著提升模型的零样本泛化。

MedS-Ins 把这个思路搬到医学域，做了三个适配：

1. 任务来源医学化——不是收集通用 NLP 任务，而是从 58 个生物医学语料库中提炼 122 项临床任务；
2. 引入负例与推理链——加了 Super-NaturalInstructions 所没有的 Negative Examples 与 Reasoning 字段，强化临床场景下的纠错与可解释性；
3. 多语言化——显式标注 Instruction/Input/Output 三种语言，支持中英等跨语言训练。

这三点适配，回答了"为什么不能直接用 Super-NaturalInstructions 训医学模型"——通用指令集缺乏医学任务定义、缺乏临床负例、缺乏医学域标签，直接迁移无法对齐临床需求。

2.5 规模数字的三层含义

面对"58 / 122 / 500 万+1.9 万 / 13.5M"这一串数字，建议按三层理解，避免混淆：

第一层：原料层（58）。 58 是"语料库"数量，衡量的是数据来源的多样性。它回答"这份数据见过多少种原始文本"。

第二层：任务层（122）。 122 是"任务"数量，衡量的是指令覆盖的广度。它回答"这份数据能教模型做多少种事"。

第三层：样本层（500 万实例 + 1.9 万指令，或 13.5M samples）。 这是"样本"数量，衡量的是训练信号的绝对体量，也是最容易因计数口径而生歧义的一层。

三层不能互相替代：语料库多不等于任务多（一个语料库可派生多个任务），任务多不等于样本多（有的任务实例很少）。引用时务必指明是哪一层。

2.6 数据质量的两条观察线索

由于 MedS-Ins 未提供逐任务的实例分布统计，评估其数据质量需要借助两条间接线索：

其一，来源域的 token 占比是团队自报的加权结果——43% 知识库 + 35% 临床文本的配比，暗示团队在采样时做了刻意的域平衡，而非"哪个语料库大就多放"。这种"按目标能力配比"而非"按原始体量配比"的做法，通常是更高质量的指令数据集的特征。

其二，任务定义的完整度——从 JSON schema 看，每个任务都被要求填写 Definition 与 Reasoning，这意味着即便原始语料本身不含任务说明，团队也为其补齐了"任务说明书"。这提高了数据集的"自解释性"，也提高了人工投入。

2.7 任务的粒度设计：为什么是 122 而不是 20 或 1000

一个设计问题：任务数为何定在 122？太少（如 20 类）会导致任务过于宽泛、指令边界模糊；太多（如 1000+）会导致每个任务的实例过少、训练信号稀释。122 这个量级，配合 500 万实例，意味着平均每个任务约有数万条实例（500 万 / 122 ≈ 4 万），足以支撑稳定训练，又不至于任务碎片化。

这与 Super-NaturalInstructions 的 1600+ 任务形成有趣的对照：后者任务极多但每任务实例较少，偏向"任务多样性的泛化"；MedS-Ins 任务相对少但实例更厚，偏向"每个临床任务的深度适配"。任务粒度是数据集设计的一个隐性超参数，MedS-Ins 选择了"中等粒度、充足实例"的中间路线。

2.8 从"语料库"到"任务"的映射非一一对应

一个容易被误解的点：58 个语料库与 122 项任务不是一一对应的关系。一个语料库可以派生多项任务（如一个临床文本语料库既可做摘要、也可做 NER）；反过来，一项任务也可能由多个语料库共同支撑（如"NER"任务可能聚合了多个标注语料的实体）。这种多对多映射，正是"任务指令化"的价值所在——它打破了原始语料库的边界，按"任务"重新组织数据，从而让训练者可以面向能力（而非面向来源）来组织训练。

这也解释了为什么语料库数（58）远少于任务数（122）：任务化过程中产生了"一对多"的放大，同一份原始文本被不同指令"激活"出不同的训练用途。

2.9 与"数据集版本"相关的引用建议

鉴于 MedS-Ins 存在口径漂移与持续更新，给出四条引用建议，供论文与文档写作者参考：

1. 引用论文时用 arXiv:2408.12547（或 npj Digital Medicine 版），不要引用 2410.03742（无关论文）；
2. 报告规模时同时给出两套口径，或明确标注"现行口径"，例如：“58 语料库、122 任务，现行计 500 万实例 + 1.9 万指令（v1 论文计 13.5M samples）”；
3. 报告评测分数时注明 MedS-Bench 的测试集版本与访问日期；
4. 记获取时间：在方法节或数据可用性声明里写明"数据获取于 YYYY-MM"，因为仓库与 HF 会持续更新。

这四条看似琐碎，却能让你的工作在他人的复现中"站得住"——在数据集持续演化的时代，版本意识就是可复现性。

§3 指令生产流水线：从 58 个语料库到 122 项任务

3.1 三步转化：原始语料 → 指令包

MedS-Ins 的生产流水线可以抽象为三步：

第一步：语料归集。从 58 个公开的医学生物语料库中，按五大文本域筛选并汇总原始数据。这一步的产出是大量异构的原始文本（考试题、病历、论文段落、知识库三元组、对话）。

第二步：任务定义与指令化。对每类原始数据，人工/半人工地撰写 Definition（任务定义）、Reasoning（推理链）、Positive/Negative Examples（正负例），并把原始数据包装成 Instances。这一步把"数据"变成"任务"。

第三步：多语言与域标注。为每项任务标注 Input/Output/Instruction 语言与 Domains 子域，形成可筛选、可跨语言的训练集合。

这条流水线的关键设计在于任务定义先行：先把"这个任务要模型怎么做"讲清楚（Definition + Reasoning），再配套示例（Positive/Negative）与实例（Instances）。这与"先有数据、再凑指令"的粗放做法形成对比。

3.2 正负例设计：临床纠错的刻意安排

Negative Examples 字段是 MedS-Ins 相对多数指令数据集的差异化设计。仓库 README 明确：负例的 explanation 是必需的，但该字段本身可以完全为空。这条看似矛盾的规则透露了一个取舍——作者鼓励提供负例，但不强制每个任务都有：当某个任务难以构造典型错例时，允许留空，而不是硬凑。

对于临床任务，负例的价值尤其大。例如在命名实体识别中，"把非药物词误标为药物"是典型错误；在诊断任务中，“忽略了关键鉴别诊断"是典型错误。给出这些负例让模型学会"什么不该做”，在医疗这种错误代价极高的场景下，比单纯的正例训练更关键。

3.3 token 预算视角：来源域配比即训练策略

回到 2.1 的 token 占比表，可以看到来源域配比本身就是一种训练策略的表达。医学知识库占 43%，意味着近一半的训练信号用于"记忆与检索医学事实"；临床文本占 35%，用于"对齐临床表达"；两者合计 78%，是刻意为之的"临床可用性优先"。

反观考试域（7%）与日常对话（2%）的低占比，则是在刻意避免"应试化"——如果考试数据占比过高，模型会学会"刷选择题"而非"解决临床问题"，这恰恰是论文批评传统基准的痛点。数据的配比，就是作者对"医学 LLM 该往哪个方向训"的态度宣言。

3.4 与 MedS-Bench 的"训测分离"设计

一个值得注意的工程细节：MedS-Bench（评测）与 MedS-Ins（训练）是分离的。论文提到 MedS-Bench 由 39 个现有数据集衍生，且作者设置了动态排行榜、计划定期更新测试集。这种"训测分离 + 测试集滚动更新"的设计，是为了防止模型在固定测试集上过拟合——这是从通用 NLP 领域引入的重要工程纪律，也是 MedS-Ins 生态比一次性发布的静态数据集更可持续的原因。

3.5 社区贡献机制：DATA_Contributor

MedS-Ins 并非封闭数据集。仓库专门设有 DATA_Contributor 目录，内含贡献指南（Create Data_Uploading_Guideline.md），明确邀请社区提交新任务数据，并承诺在论文下一版中署名致谢每一位贡献者。贡献者需按 2.3 的 JSON schema 提交，带上 Source/URL/Definition 等溯源信息。

这套机制的意图很清楚：让 MedS-Ins 从"一个团队的数据集"演化为"一个社区的语料生态"，通过众包持续扩大任务覆盖面。对使用者而言，这意味着数据集会持续增长，引用时务必记录版本或获取时间。

3.5.1 贡献与使用的对称性

DATA_Contributor 机制还有一层值得注意的对称性：贡献者被要求提供的字段（Contributors/Source/URL/Definition 等），恰恰也是使用者追溯数据来源所需的字段。这种"贡献即溯源"的设计，让数据集在扩张的同时不失去血统记录——每新增一个任务，就自带一段完整的来源说明。对一个会不断长大的数据集而言，这种设计是维持长期可信度的基础设施。

3.6 数据准备脚本：data_preparing 目录

仓库的 data_preparing 目录提供了数据准备的代码，这是理解"原始数据如何变成 MedS-Ins 格式"的另一条线索。使用者若想复现构建流程或把自己的数据并入 MedS-Ins 体系，应从这里入手。虽然 README 未逐一列出每个脚本的功能，但从目录名与仓库整体结构可以推断：它承担的是"清洗—对齐—模板套用—校验"的预处理职责，把异构的原始语料统一到 2.3 节的 JSON schema 上。

3.7 评测脚本与打分实现

与数据准备相对的是评测侧。仓库 Metrics 目录按任务类型拆分了打分实现，已确认存在的文件包括 NamedEntityRecognition.py、Diagnosis.py、TreatmentPlanning.py 等。这说明 MedS-Bench 的评测不是笼统的一个指标，而是按临床任务类型分别设计度量：NER 用 token 级 F1（社区 fork 明确提到 token F1），分类类任务用 accuracy，生成类任务用 BLEU/ROUGE。Evaluation 目录下的 eval.py 是原始的 HuggingFace 评测脚本，EvalDataset.py 是数据集加载器。

值得注意的一个社区现象：出现了第三方 fork（如 shaafsalman/MedS-Ins）为仓库增加了 eval_vllm.py——一个统一的 vLLM 评测脚本，用 OpenAI 兼容 API 客户端替代原本的 HuggingFace 模型加载，支持 vLLM、SGLang 或任何 OpenAI 兼容服务端，并加入并行推理（ThreadPoolExecutor）、任务感知打分、逐样本预测/期望日志等工程增强。这从一个侧面印证了 MedS-Ins/MedS-Bench 在实际使用中有真实需求，也提示读者：评测时可能需要超出官方原始脚本的工程改造。

3.8 数据格式的迁移成本

MedS-Ins 的 JSON schema 虽清晰，但并非所有训练框架都能直接吃下。字段中 Instances 是对象数组、Positive/Negative Examples 又是嵌套对象数组，且 output 在不同任务里可能是字符串或数组（schema 中写作 "output": [""]，暗示可为列表）。使用者若要把 MedS-Ins 喂给标准的 Alpaca/ShareGPT 格式训练管线，通常需要编写一层转换：把 Instances 展平成一行行"指令-输入-输出"，把 Definition 与 Reasoning 拼进 system prompt 或 instruction 前缀。这个迁移成本不大但不可忽略，是"开箱即用程度"的一个实际折损点。

§4 姊妹基准 MedS-Bench：训测分离的另一半

4.1 为什么需要 MedS-Bench

MedS-Ins 是训练数据，但它诞生的动机来自一个评测结论：传统医学基准过度依赖多选题（MCQA）。论文开篇即指出，GPT-4 等模型在 MedQA 等考试基准上分数很高，但这些分数"不能充分反映 LLM 在真实临床情景中的应用"。于是在提出 MedS-Ins 之前，作者先构建了 MedS-Bench——一个跳出选择题的临床评测基准。

MedS-Bench 的三个核心数字：

• 11 类高层临床任务（clinical report summarization、treatment recommendations、diagnosis、NER、medical concept explanation 等）；
• 由 39 个现有数据集衍生；
• 共涉及 52 项具体任务。

11 类任务覆盖了临床工作的主要文本形态：从"读懂"（概念解释、NER）到"写出"（摘要、治疗建议）到"判断"（诊断）。

4.2 六个被测模型的"翻车"画像

作者用 few-shot 提示评测了六个主流模型：MEDITRON、Mistral、InternLM 2、Llama 3、GPT-4、Claude-3.5。核心发现是：即便最先进的模型，在这些复杂临床任务上也表现挣扎。

这个结论的价值在于它打破了"刷榜幻觉"：一个模型可能在 MedQA 上拿到 85.8 的高分，但在临床报告摘要、信息抽取等任务上表现平平。MedS-Bench 的作用，就是把这种"高分低能"的落差量化出来，为 MedS-Ins 的构建提供了动机。

4.3 动态排行榜机制

MedS-Bench 配有动态排行榜（https://henrychur.github.io/MedS-Bench/）。论文明确其定位是"动态"的——**作者计划定期更新测试集**，以跟踪进展并促进通用 LLM 对医学域的适配。这种滚动更新机制对评测基准的公信力至关重要：它防止了模型团队针对固定测试集做数据污染式优化。

4.4 MedS-Bench 与 MedS-Ins 的闭环

两者构成一个完整的研发闭环：

MedS-Bench（评测）→ 暴露能力缺口 → MedS-Ins（训练）→ 微调 MMedIns-Llama 3（模型）
        ↑                                                              │
        └────────────────── 回到 MedS-Bench 复测 ←───────────────────────┘

这个闭环是理解该项目的关键：它不是孤立发布一个数据集，而是"发现问题（基准）→ 解决问题（数据）→ 验证解决（模型）→ 回归评测（基准）"的完整科研链条。对使用者而言，MedS-Bench 提供了"用 MedS-Ins 训完模型后该拿什么测"的标准答案。

4.5 MedS-Bench 与前代医学基准的差异

要理解 MedS-Bench 的设计取向，最好的方式是把它与它批评的"传统基准"对照：

维度	传统医学基准（如 MedQA 类）	MedS-Bench
题面形式	多选题（MCQA）	生成 / 抽取 / 分类 / 判别多形态
考察能力	知识记忆与判别	知识 + 生成 + 抽取 + 推理
任务类数	通常单一（问答）	11 类高层临床任务
数据集来源	常为单一考试题库	39 个数据集的综合
评分方式	准确率（对/错）	依任务而定（F1/accuracy/BLEU/ROUGE）
更新机制	多为静态	动态滚动更新测试集

这张表揭示 MedS-Bench 的两个核心进步：其一，从"单一题型"走向"多任务形态"，更贴近临床工作的真实多样性；其二，从"静态榜单"走向"动态更新"，缓解数据污染导致的分数虚高。

4.6 11 类任务覆盖的临床工作流

把 MedS-Bench 的 11 类任务放回临床工作流里看，会更有体感。临床文本处理大致遵循这样一条链：

非结构化临床文本 → [理解] → [抽取关键信息] → [推理判断] → [生成结构化输出]

• 理解环节：医学概念解释（把术语讲清楚）；
• 抽取环节：命名实体识别、信息抽取（从文本里捞药物/疾病/指标）；
• 推理环节：诊断、治疗建议、结局预测（做出临床判断）；
• 生成环节：报告摘要、合理化论证（产出可交付文本）；
• 核查环节：事实核查、NLI（验证声明的可靠性）。

MedS-Bench 的 11 类任务几乎覆盖了这条全链条，这正是它比"只考选择题"的基准更贴近临床的原因。

4.7 榜单机制的治理意义

MedS-Bench 的动态排行榜不仅是排名工具，更是一种评测治理机制。在医学 LLM 领域，若测试集固定不变，模型团队可能通过"把测试集内容混入训练"来刷高分数，这会严重污染评测的可信度。作者承诺"定期更新测试集"，本质上是在用测试集的流动性对抗训练数据的渗漏。对使用该基准的研究者而言，这意味着两件事：（a）引用分数必须锁定版本；（b）没有永恒的 SOTA，榜单会持续洗牌。

4.8 如何自己跑一遍 MedS-Bench（操作路径）

给想实操的读者一条最短路径（依仓库 README 与社区 fork 整理）：

1. 取测试集：从 HF Henrychur/MedS-Bench 下载所需任务的数据（如 NER、Diagnosis、Treatment_planning 等子目录）；
2. 准备服务端：用 vLLM/SGLang 起一个 OpenAI 兼容 API 服务（社区 fork 的 eval_vllm.py 支持这种方式），或直接用官方 eval.py 加载 HuggingFace 模型；
3. 选任务与打分器：按任务类型选择打分逻辑——NER 用 token F1、分类用 accuracy、生成用 BLEU/ROUGE（Metrics 目录下有对应实现）；
4. 跑评测并记录：记录模型名、版本、任务、样本数、温度等超参，便于复现；
5. 对照榜单：把结果与官方排行榜（henrychur.github.io/MedS-Bench/）对照，但务必核对榜单的测试集版本与你所用的是否一致。

这条路径的关键提醒是：评测的可复现性取决于"数据版本 + 模型版本 + 打分脚本"三者齐全的记录，缺一不可。

4.9 MedS-Bench 的局限与争议

任何基准都不是完美的，MedS-Bench 也有其边界：

• 指标与临床价值的落差：BLEU/ROUGE 类指标衡量文本相似度，与"医生是否认可这份摘要"存在落差；F1/accuracy 类指标相对客观，但也无法涵盖临床推理的深度。
• 任务覆盖仍有限：11 类任务虽比纯 MCQA 广，但临床实践中的大量任务（如影像判读、手术规划、用药交互检查）并未纳入——它是"文本临床任务"的基准，不是"全临床"的基准。
• 对照条件的不对称：微调模型 vs 提示模型，是范式差异而非纯能力差异，解读时须谨慎（详见 §5.6）。
• 版本流动性带来的比较困难：动态更新虽利于防污染，却也让"跨时间比较分数"变得不可靠。

指出这些局限，不是否定 MedS-Bench 的价值，而是帮助读者把它放在正确的解读位置上：它是一个"比纯选择题更贴近临床"的进步，但仍是一个文本任务的、指标驱动的、版本流动的基准，需要与人工评估、真实场景验证结合使用。

§5 评测与模型：MMedIns-Llama 3 的能力解剖

5.1 模型训练配置

MedS-Ins 的验证模型是 MMedIns-Llama 3，它是一个 80 亿参数（8B）的轻量开源医学模型，基座是作者此前工作开发的 MMed-Llama 3（多语言医学模型）。训练配置如下：

项目	配置
参数量	8B
基座	MMed-Llama 3
全局 batch size	128
学习率	1e-5
训练轮数	5 epochs
硬件	32 × Ascend910B
耗时	383.5 小时

论文声称，这是首次通过指令微调，让开源医学 LLM 在广泛临床任务上超越 GPT-4、Claude-3.5 等领先闭源模型。以下评测除 MCQA 用 zero-shot 外，其余为 3-shot。

5.2 全面对比：MMedIns-Llama 3 vs 基线

（1）多语言多选题 MCQA（Accuracy）

模型	MedQA	MedMCQA	PubMedQA	平均
GPT-4	85.8	72.3	70.0	75.3
Llama 3	60.9	50.7	73.0	62.2
MMedIns-Llama 3	63.6	57.1	78.2	63.9

⚠️ 关键观察：在纯选择题上，MMedIns-Llama 3（63.9）虽超过 Llama 3（62.2）并"显著超过 GPT-3.5"，但仍不及 GPT-4（75.3）。这个"不完美"恰恰是数据集的叙事支点——它证明了"选择题强 ≠ 临床能力强"。

（2）文本摘要（BLEU/ROUGE 平均）

模型	BLEU / ROUGE
GPT-4	24.46 / 25.66
Claude-3.5	26.29 / 27.36
Mistral	24.48 / 24.90
Llama 3	22.20 / 23.08
MMedIns-Llama 3	46.82 / 48.38

在摘要任务上，MMedIns-Llama 3 的分数近乎 GPT-4 与 Claude-3.5 的两倍——这是数据集最亮眼的战果。

（3）信息抽取（Accuracy）

模型	Accuracy
InternLM 2	81.58
Claude-3.5	78.86
GPT-4	77.49
MMedIns-Llama 3	83.18

MMedIns-Llama 3 比最强的 InternLM 2 高 1.6 分；在 PICO 的 Participant Extraction 子任务上得 83.72，超出第二名 9.3 分。

（4）概念解释（BLEU/ROUGE）

模型	BLEU / ROUGE
GPT-4	19.18 / 21.33
Llama 3	21.14 / 23.33
MMedIns-Llama 3	33.89 / 37.68

（5）命名实体识别 NER（F1）

模型	F1
GPT-4	44.30
InternLM 2	40.81
MMedIns-Llama 3	68.58

子任务：BC4Chem 78.62、BC5Chem 89.71、BC5Disease 51.97、Species800 54.02。F1 高出 GPT-4 逾 24 分，是差距最大的一项。

（6）诊断 / 治疗规划 / 临床结局预测（Accuracy）

模型	SEER	DDXPlus
Claude-3.5	90	48
GPT-4	78	52
MMedIns-Llama 3	98	95

在 DDXPlus 诊断任务上，MMedIns-Llama 3 的 95 分对 GPT-4 的 52 分几乎是碾压；MIMIC4ED 三项平均 86.67。

（7）文本分类 HoC（Precision/Recall/F1）

模型	F1
GPT-4	60.38
Claude-3.5	63.32
MMedIns-Llama 3	87.37（P=91.29, R=85.57）

（8）事实核查与 NLI

• PubMedQA Answer Verification：MMedIns-Llama 3 与 InternLM 2 并列最高 98；
• HealthFact Verification：92（与 InternLM 2 并列最高）；
• MedNLI 判别任务：84；生成任务 BLEU/ROUGE 37.56/32.17。

（9）薄弱环节：EBMS Justification

在循证医学声明（EBMS）的论证解释任务上，MMedIns-Llama 3 得 11.99/12.90，略低于 GPT-4 的 16.36/16.33。论文将其列为未来改进方向，未作掩盖。

5.3 结果解读：三条可迁移的结论

结论一：指令数据能显著改变模型的能力结构。 MMedIns-Llama 3 在摘要、抽取、NER、诊断等"生成/判断型"任务上大幅领先，说明 MedS-Ins 的指令-负例-推理链设计，精准补上了这些能力。

结论二：选择题能力与临床能力是两条独立的轴。 GPT-4 在 MCQA 上仍最高，却在摘要、NER、诊断上被 8B 模型反超。这验证了论文的核心论点，也提醒评测者不要用 MCQA 分数代表临床能力。

结论三：小模型 + 好数据可以挑战大模型 + 通用数据。 8B 参数、32 卡、383.5 小时的训练成本，换来多项任务反超 GPT-4，这是"数据工程杠杆"的强有力证明——对资源受限的医疗 AI 团队尤其有借鉴意义。

5.4 评测的可信度边界

作为严谨的百科条目，需要指出几点解读边界：

1. 对比不完全对等：闭源模型（GPT-4、Claude-3.5）多为 zero-shot 或 few-shot 提示，而 MMedIns-Llama 3 是经过针对性微调的，任务适配度天然更高；这不削弱结论，但提示"反超"的语境是"该数据集内的任务"。
2. 指标差异：摘要/概念解释用 BLEU/ROUGE，这类指标与"临床可用性"之间并非线性关系，高分不等于临床医生认可。
3. 测试集更新：MedS-Bench 计划滚动更新测试集，历史分数可能随版本变动，引用时须注明评测版本与日期。

5.5 为什么 8B 模型能在生成任务上反超 GPT-4

一个自然的疑问：为什么一个 80 亿参数的模型，能在摘要、NER、诊断这些任务上大幅反超 GPT-4？答案藏在"任务适配度"里。

GPT-4 是一个通用模型，评测时靠 few-shot 提示去"猜"临床任务的格式与期望。而 MMedIns-Llama 3 是在 122 项同类任务的指令数据上专门微调过的——它见过成千上万条"报告摘要"“实体标注”"诊断推理"的样本，学会了这些任务的输出范式。在生成/抽取/分类这类格式敏感的任务上，"见过大量同类样本"带来的优势，足以抵消参数量上两个数量级的差距。

反过来说，在 MCQA 选择题上，任务本质是"知识检索 + 选项判别"，这恰恰是 GPT-4 凭借庞大参数量与海量通用预训练数据最强的地方，因此 MMedIns-Llama 3 在这里仍落后。这一升一降的对比，精确地界定了"数据工程"的效力边界：它能显著提升任务适配度，但不能凭空补足基座的知识广度。

5.6 与基线模型的公平性再审视

论文评测的六个基线是 MEDITRON、Mistral、InternLM 2、Llama 3、GPT-4、Claude-3.5。其中 MEDITRON 与 InternLM 2 本身是医学/中英双语模型，是"同为医学模型"的对照组；GPT-4 与 Claude-3.5 是"顶级闭源通用模型"对照；Llama 3、Mistral 是"开源通用模型"对照。这种分层对照的设计，使得结论可以同时说明两件事：（a）医学专用微调优于通用模型（看 MMedIns vs GPT-4 在生成任务），（b）MedS-Ins 的微调优于既有医学模型（看 MMedIns vs MEDITRON/InternLM 2）。

需要客观指出，MedS-Bench 的 11 类任务对 MMedIns-Llama 3 而言是"训练同源的近似任务"，而对闭源模型是"仅靠提示的陌生任务"——这个不对称是"数据 vs 提示"范式的固有差异，不应被简化为"8B 打败 GPT-4"的口号，但作为"指令数据有效性"的证据仍然是充分的。

5.7 结果表格的阅读守则

读 MedS-Ins 的评测结果，建议遵循四条守则，避免误读：

1. 看任务类型：生成/抽取类（摘要、NER、抽取）MMedIns 优势最大；选择题类（MCQA）GPT-4 仍领先。不要用一个平均数概括全部。
2. 看指标性质：BLEU/ROUGE 衡量的是 n-gram 重叠，与临床有用性非线性相关，高 BLEU 不等于医生满意。
3. 看对照强度：与 GPT-4、Claude-3.5 的对比是题设内对比（few-shot），强于无对照的"我们模型很好"式宣称，但弱于同条件微调对比。
4. 看版本：MedS-Bench 测试集计划滚动更新，报告分数时必须锁定版本与日期，否则跨论文不可比。

5.8 一个可复现性提醒

论文给出的评测数字虽详尽，但完整复现面临两个现实门槛：其一，闭源模型（GPT-4、Claude-3.5）的分数会随服务端模型版本静默变化，今天的 GPT-4 未必等于论文评测时的 GPT-4；其二，MedS-Bench 测试集滚动更新，即便用同一脚本，不同时间跑出的分数也可能不同。因此，把论文数字当作"历史时点的横截面快照"来理解，比当作"永恒基准"更准确。若要自建可复现的对比，建议：(a) 固定 MedS-Bench 的某个版本；(b) 记录所有对照模型的版本与访问日期；© 优先关注"同批次内"的相对排序，而非绝对分数。

5.9 结果对下游选型的启示

对正在选医学 LLM 方案的团队，MedS-Ins 的结果传递了一个实用信号：如果你的应用是"生成/抽取密集型"（如自动写病历摘要、从报告中抽实体），一个用 MedS-Ins 微调的小模型可能性价比远高于调用昂贵的通用大模型；反之，如果应用是"知识问答型"（如回答医学知识问题），通用大模型的知识广度仍是优势。按任务类型选模型，比按"模型大小"选模型更明智。

5.10 MedS-Bench 与 MedS-Ins 的"数据集卫生"

最后回到一个数据集工程的原则性观察：MedS-Ins/MedS-Bench 的组合，示范了一种"数据集卫生"——训练数据与评测数据虽同源，但物理分离、且评测集保持更新。在越来越多的模型因"见过测试集"而分数虚高的当下，这种纪律的价值正在上升。它提醒每一个构建评测基准的团队：基准的公信力不来自分数有多高，而来自它的测试集有没有被污染、会不会被泄漏。MedS-Bench 的动态更新承诺，正是对这一公信力的制度化保障。

5.11 MMedIns-Llama 3 的名字怎么念

最后一个实用细节：模型名的读法与含义。MMedIns-Llama 3 可拆为 M-Meds-Ins-Llama 3——首字母 M 呼应基座 MMed-Llama 3，中段 MedS-Ins 是所用数据集，结尾 Llama 3 指明基座家族。仓库中模型目录名为 MMedS-Llama3-8B（M-Meds-Llama3-8B），与论文的 MMedIns-Llama 3 指同一模型，只是写法略有出入——这是又一个"同一对象多个写法"的实例，与本条目反复强调的"别名/口径意识"一脉相承。

5.12 一个常被追问的问题：数据能直接商用推理吗

需要区分"用数据训练模型"与"发布训练后的模型"：

• 自用/研究：训练一个内部使用的模型，基本无合规障碍；
• 对外发布模型：若你的模型是用 CC BY-SA 数据训的，发布时可能需考虑"衍生作品相同方式共享"的传染性（观点有争议，见下方提示）；
• 对外发布训练数据集本身（含 MedS-Ins 内容）：须保留署名并按相同许可发布；
• ⚠️ 重要提示：CC BY-SA 对"模型权重是否算衍生作品"并无明确法律定论，各国司法实践不同。任何商用决策前请咨询法务，本条目不构成法律意见。

§6 获取与许可：两层异构的门怎么进

6.1 三处资产、三种入口

MedS-Ins 项目对外提供三类资产，入口各异：

资产	入口	内容
数据集	HuggingFace Henrychur/MedS-Ins	约 7.58 GB，指令微调语料
代码仓库	GitHub MAGIC-AI4Med/MedS-Ins	Evaluation / Metrics / Inference / data_preparing / DATA_Contributor / examples / assets
评测基准	HuggingFace Henrychur/MedS-Bench + 排行榜	测试集与动态排行榜

GitHub 仓库的目录结构透露了它的完整能力链：Evaluation（评测脚本）、Metrics（按任务的打分实现，如 NamedEntityRecognition.py、Diagnosis.py、TreatmentPlanning.py）、Inference（推理工具）、data_preparing（数据准备代码）、DATA_Contributor（贡献指南）、examples（示例评测结果 CSV）、assets（README 图）。

6.2 许可的双层结构（必读）

MedS-Ins 的许可不是单一图层，而是两层，且 brief 所载的 MIT 不成立：

第一层：项目自身许可

• GitHub 仓库 LICENSE：经一手抓取 raw.githubusercontent.com/MAGIC-AI4Med/MedS-Ins/main/LICENSE，内容为 CC BY-SA，版权行 Copyright (c) 2024 MAGIC: Medical Artificial General Intelligence Consortium。
• 论文版权声明：arXiv/期刊论文标注 CC BY 4.0。

即：代码/仓库标 CC BY-SA（署名 + 相同方式共享，具传染性）；论文标 CC BY 4.0（署名）。两者都是开放许可，但约束强度不同——CC BY-SA 要求衍生作品也以相同许可发布，这对"想把 MedS-Ins 衍生物闭源"的使用者是实质限制。

第二层：上游 58 个语料库的许可
MedS-Ins 由 58 个已公开的医学生物语料库重组而成。仓库未逐项继承声明每个上游语料库的许可。这意味着：即便 MedS-Ins 自身是 CC BY-SA，使用者仍需回溯到每一个 Source/URL 去核查其再分发与商用条件。某些上游数据可能限定研究用途、禁止商用，或要求额外署名。

⚠️ 对 brief 的校正：任务头称许可为 MIT。经一手核验，仓库 LICENSE 与论文版权声明均非 MIT，全文按 CC BY-SA（仓库）+ CC BY 4.0（论文）+ 上游待核 的三层口径成稿。任何依据 MIT 做出的"宽松商用"假设都不成立。

6.3 获取实操要点

1. HF 直取：Henrychur/MedS-Ins 可在 HuggingFace 直接下载（约 7.58 GB），沙箱环境可走 hf-mirror.com 镜像。
2. 不用等审核：与许多需申请制的医学数据集不同，MedS-Ins 是开放直取的，无需邮件申请、无需签署 DUA。
3. 版本记录：仓库与 HF 会持续更新（README 最后更新 2025-05），引用时务必记录获取时间或 commit，因为"口径从 13.5M 到 5M"的变更本身就说明数字会变。
4. 贡献路径：若有新任务数据，可按 DATA_Contributor 指南提交，作者承诺署名致谢。

6.3.1 接入前的三个自检问题

在把 MedS-Ins 纳入你的训练管线前，先问自己三个问题：

1. 我的任务和 122 项任务重叠吗？ 若你的目标能力（如"从出院小结抽药物"）已在 MedS-Ins 的任务体系内，直接用它的对应子集可能比自建数据更高效；若无重叠，MedS-Ins 只能作为泛化预训练，仍需自建任务数据。
2. 我要的语言在数据里吗？ 通过 Instruction/Input/Output 语言字段确认中英文覆盖率，避免训完才发现目标语言样本过少。
3. 我的合规边界允许吗？ 若为商用闭源，务必先完成上游 58 语料库的许可核查（见 §6.5、附录 P）。

这三个问题能把"看到一个开放数据集就下载"的盲目接入，转化为有意识的选型决策。

6.4 AI-Ready 可获得性评估

从 AI-Ready 数据集的角度看，MedS-Ins 的门槛属于中低：

• ✅ 数据开放直取，无审核门槛；
• ✅ 格式规范（每任务一个 JSON，schema 清晰）；
• ✅ 有配套代码（评测/推理/打分实现齐全）；
• ⚠️ 上游许可需自行逐项核查，构成合规成本；
• ⚠️ 口径漂移（13.5M vs 5M）要求使用者有版本意识。

6.5 为什么"上游许可继承"是最容易被忽略的坑

假设一个团队看到 MedS-Ins 仓库标着 CC BY-SA，认为"开放许可、可以商用"，直接把整个数据集拿去训练商用产品——这就踩了最隐蔽的坑：CC BY-SA 只覆盖 MedS-Ins 团队自己创作的部分（如任务定义、指令模板、聚合结构），但它聚合的 58 个上游语料库各有各的许可。

举例说明问题的严重性：若某个上游语料库是"仅限研究用途（research only）“，那么把它并入的 MedS-Ins 子集，在商用场景下就存在授权瑕疵；若某个上游要求"禁止再分发原始文本”，那么 MedS-Ins 的传播本身可能触及该限制。CC BY-SA 不能自动"洗白"上游的限制——这正是 MedS-Ins 未逐项声明上游许可所带来的合规成本。

务实的做法是：若要商用，先按每个任务 JSON 的 Source/URL 字段，把 58 个上游语料库列出来，逐一核查其许可，建立一张"来源-许可-可商用"对照表，再做决策。这比事后补救便宜得多。

6.6 论文版权与数据集许可的关系

一个常见困惑：论文标 CC BY 4.0、仓库标 CC BY-SA，到底哪个管数据集？答案是——它们管不同的对象：

• 论文版权（CC BY 4.0） 管的是那篇论文文本本身（引用、转载论文内容）；
• 仓库 LICENSE（CC BY-SA） 管的是仓库里的代码与数据集资产。

因此，引用论文应遵循 CC BY 4.0（署名即可）；使用数据集应遵循 CC BY-SA（署名 + 相同方式共享）。把两者混为一谈——比如以为"论文是 CC BY 4.0 所以数据集也能宽松用"——是另一个隐蔽的概念错误。

6.7 一句话合规结论

MedS-Ins 是开放许可但非公有领域：仓库 CC BY-SA 的"相同方式共享"条款，决定了它的衍生作品不能被闭源独占；上游 58 语料库的许可又叠加了一层不确定性。研究用途基本无忧，商用需逐项核查——这是所有潜在使用者应先建立的合规基线。

§7 生态与影响：一个"语料-基准-模型"三角

7.1 前作与谱系

MedS-Ins 的谱系有两条：方法谱系上，它受 NLP 领域 Super-NaturalInstructions 启发，把"任务指令化"范式迁移到医学域；模型谱系上，MMedIns-Llama 3 的基座 MMed-Llama 3 来自同一团队的先前工作（MMed 系列），是一个多语言医学基座。因此 MedS-Ins 不是孤立的语料，而是团队"医学 LLM 全栈"的一环。

7.2 三方协作的产业意义

上海交大 + 上海 AI Lab + 中国移动的组合值得单独一提。它代表了**“学术机构提供方法与数据、国家实验室提供算力、产业方提供资源与场景”**的协作范式。中国移动的参与，暗示了该数据集可能指向运营商侧的医疗健康应用（如远程医疗、健康管理）。这与纯学术团队的数据集在应用取向上有所不同。

7.3 在医学 LLM 数据集景观中的位置

MedS-Ins 在医学 LLM 数据版图中占据了**“指令微调语料”**这一生态位。它与几类邻居形成对照：

• 与传统医学 QA 数据集（MedQA、MedMCQA、PubMedQA）：后者是评测基准，MedS-Ins 是训练数据，且 MedS-Ins 的 Instances 部分可能引用/重组了这类 QA 数据；
• 与中文医学指令数据集（如 DISC-Med-SFT）：后者聚焦中文对话式问诊，MedS-Ins 覆盖 58 语料库、122 任务，域更广、更偏"任务多样性"；
• 与多任务医学基准（MultiMedBench、XMedBench）：后者是评测导向，MedS-Ins 的姊妹 MedS-Bench 与之同类，而 MedS-Ins 本身是训练导向。

简言之，MedS-Ins 填补的是"医学领域缺一个 Super-NaturalInstructions 式的大规模指令语料"这一空白。

7.4 影响与传播

• arXiv 2024-08-22 发布后，中文科技媒体（如 ScienceAI）迅速报道，强调了"58 个数据集、1350 万样本、122 任务"（当时采用 v1 口径）；
• 论文发表于 npj Digital Medicine，获得更高的学术可见度；
• GitHub 仓库获关注（star 数在数十量级），并出现第三方 fork（如为 vLLM 推理添加评测脚本的社区分支）；
• HF 数据集近一月下载约 489 次，属"小众但活跃"的使用强度。

7.5 引用与传播中的口径漂移现象

值得记录的一个传播学现象：MedS-Ins 在中文媒体报道中，几乎一致采用 13.5M（1350 万）这一 v1 口径数字，而仓库现行口径已改为 5M instances + 19K instructions。这意味着网络上流传的"1350 万"是一个"冻结在 v1 的数字"，与现实仓库不一致。这不是媒体的错——他们引用了当时最新的论文；但对接续的研究者而言，这构成了一个真实的"引用陷阱"：如果只读二手报道而不回查一手仓库，就会长期使用过时数字。本条目的价值之一，正是把这个漂移显式地陈列出来。

7.6 与同代医学指令数据集的横向对照

把 MedS-Ins 放到 2024 年前后的医学指令数据集序列中，可以看到几种不同的路线：

路线	代表	特点
任务指令化 + 大规模聚合	MedS-Ins	58 语料库、122 任务、Super-NaturalInstructions 式
对话式问诊重构	DISC-Med-SFT(824)	中文医患对话、LLM-in-the-loop 重构
影像域指令化	radvlm-instruction-dataset(624)	放射领域、多模态指令
基准 + 榜单驱动	MultiMedBench(129)/XMedBench(727)	评测导向、多任务覆盖

MedS-Ins 的独特性在于"宽度"：它不聚焦单一模态或语言，而是试图用 122 项任务覆盖医学文本的全谱系。代价是每一项任务的深度可能不及专注型数据集，但换来的是指令微调时"任务多样性"带来的泛化能力。这是一个典型的"宽 vs 深"权衡。

7.7 对国内医学 AI 生态的启示

作为国内团队（上海交大 + 上海 AI Lab + 中国移动）主导的项目，MedS-Ins 对国内医学 AI 生态有几点特殊意义：

其一，它证明了国内团队有能力构建国际水准的医学大模型基础设施——58 个语料库的聚合、122 项任务的指令化、配套基准与模型的闭环，需要相当规模的工程与学术投入。

其二，它展示了"产学研"协作的可行路径——高校出方法与数据、实验室出算力、产业方出场景与资源，这种组合对需要大规模算力与真实场景的医学 AI 项目尤为关键。

其三，它的多语言设计为中文医学 LLM 提供了可直接利用的语料——虽非纯中文数据集，但含中文子集，可作为中文医学指令微调的来源之一（须注意与 disc-med-sft 等纯中文数据集的差异化定位）。

值得补充的一点是，MedS-Ins 的训练硬件全部使用 32×Ascend910B——这是国产 AI 芯片。这一选择本身也传递了信号：在国产算力上也能完成大规模医学 LLM 的指令微调，对受算力限制的国内团队具有现实参考意义（尽管在复现时仍需按可用硬件调整）。

7.8 与通用领域 Super-NaturalInstructions 生态的对照

MedS-Ins 自述受 Super-NaturalInstructions 启发，但两者在生态上差异明显：

维度	Super-NaturalInstructions	MedS-Ins
领域	通用 NLP	医学专用
任务数	1600+	122
来源	众包 + 现有数据集聚合	58 个医学生物语料库聚合
特色字段	任务定义 + 示例	任务定义 + 推理链 + 正负例
配套基准	多个通用评测集	自建 MedS-Bench
配套模型	无官方模型	MMedIns-Llama 3

关键差异在于"闭环程度"：Super-NaturalInstructions 主要贡献数据与范式；MedS-Ins 则贡献了数据 + 基准 + 模型的完整闭环。后者更适合作为"某个垂直领域如何自建 LLM 基础设施"的参考模板。

§8 方法学启示：四条可迁移的经验

8.1 "先评测暴露缺口，再构建数据补缺口"的闭环

MedS-Ins 最有价值的方法论，是它不是凭空造数据集，而是从评测结论出发：先做 MedS-Bench 证明"现有模型在临床任务上不行"，再针对性构建 MedS-Ins 补上。这种"评测驱动数据构建"的思路，比"我们收集了很多数据"更有说服力，也更易验证有效性。

8.2 任务指令化：把"数据"升级为"任务"

把原始语料包装成"Definition + Reasoning + 正负例 + Instances"的完整指令包，是 MedS-Ins 超越普通 QA 数据集的关键。给模型答案，不如给模型"如何做这类任务"的完整说明书——这个范式对所有领域的数据集构建都有借鉴价值。

8.3 负例与推理链是临床场景的刚需

医疗错误的代价极高，因此 Negative Examples 与 Reasoning 字段的设计尤其重要。让模型"知道什么不该做"（负例）和"知道为什么这么做"（推理链），比单纯的正例训练更能提升可靠性。这一点对任何高风险领域的指令数据集都适用。

8.4 数据配比即策略，且需警惕口径陷阱

MedS-Ins 用 43% 知识库 + 35% 临床文本的配比，明确表达"临床可用性优先、避免应试化"的取向。同时，v1 的 13.5M 与现行的 5M 口径差异，也提醒所有数据工作者：计数方式会影响数量级表达，发布与引用时必须锁定口径。

8.5 "训测同源但分离"的评测纪律

MedS-Ins 与 MedS-Bench 同源（同一论文、同一团队、相近任务体系），却刻意分离为训练集与测试集，且测试集滚动更新。这条纪律值得所有自建数据集的团队学习：如果训练集与测试集来自同一批数据的随机切分，模型很容易过拟合；而若是"训测同源但物理分离、且测试集动态更新"，就能在保持任务一致性的同时维持评测的公信力。 MedS-Ins 的做法站在了后者。

8.6 多语言与多域标注的复用价值

MedS-Ins 在字段里显式标注 Instruction/Input/Output 三种语言与 Domains 子域，这看似繁琐，却为下游带来实际的复用价值：训练者可以按语言筛选（只训中文子集）、按域筛选（只训诊断子域）、或跨语言对齐训练（同一任务的多语言版本对照）。“把元数据做到字段级”，是把一份数据集从"能用"提升到"可精细化复用"的关键一步。

8.7 从 MedS-Ins 看"数据集即产品"的形态

MedS-Ins 的发布形态值得单独观察：它不是"论文里附一个数据链接"的传统学术数据集，而是数据 + 基准 + 模型 + 榜单 + 贡献机制的完整产品包。这种形态的特征是：

• 有入口：GitHub 仓库 + HF 数据集 + 官网榜单，三处可达；
• 有闭环：训练数据、评测基准、验证模型三者配套；
• 有治理：动态榜单防止刷分，社区贡献机制保证持续增长；
• 有工程：评测脚本、打分实现、数据准备代码齐备。

“数据集即产品"的趋势，反映了当代 AI 数据集已从"静态资源"演化为"需要持续运营的生态”。MedS-Ins 是这个趋势下医学领域的一个样本。对使用者而言，这意味着接入它不只是"下载一个文件"，而是要理解它的一整套使用规范与版本节奏。

8.8 对自建医学指令数据集的五条实操建议

站在 MedS-Ins 的肩膀上，若团队要自建医学指令数据集，可提炼五条建议：

1. 先定义任务，再整理数据——像 MedS-Ins 那样为每个任务写 Definition 与 Reasoning，而不是先堆数据再凑指令；
2. 配比反映目标，而非体量——按"希望模型获得什么能力"来定来源占比，而非按原始语料大小；
3. 正负例并重——尤其在医疗这种高错误代价场景，负例的纠错价值极高；
4. 训测分离 + 滚动更新——不要用训练集切分当测试集，且保持测试集的流动性；
5. 许可逐项声明——MedS-Ins 未做此事，恰是它被诟病之处；自建时应把上游许可列清楚，降低使用者的合规成本。

§9 与库内条目的关系

9.1 家族图谱

MedS-Ins 在千方病案医数集库内，与以下条目构成"医学问答/指令/评测"谱系：

库内条目	rid	与 MedS-Ins 的关系
medqa	50	MedS-Bench 评测基线之一（MCQA）
medmcqa	111	MedS-Bench 评测基线之一（MCQA）
pubmedqa	49	语料来源域之一 + Answer Verification 任务
mednli	648	MedNLI 判别/生成任务来源
medcalc-bench	708	医学计算类基准，同域 LLM 评测姊妹
disc-med-sft	824	中文医学指令微调语料，形态近邻（域不同，勿合并）
medagentbench	1064	医学 LLM 智能体评测基准，评测谱系邻居
multimedbench	129	谷歌医学多任务多模态基准，评测谱系对照
xmedbench	727	跨语言医学基准，多语言维度对照
radvlm-instruction-dataset	624	放射领域指令数据集，任务指令化同型（域不同，勿合并）
mimic-iv-note	47	临床文本来源域代表
mimic-cxr	16	临床影像来源域代表

9.2 检索路径建议

• 若关注医学选择题基准 → medqa(50) / medmcqa(111) / pubmedqa(49)
• 若关注医学指令微调数据 → 本条 meds-ins + disc-med-sft(824) + radvlm-instruction-dataset(624)
• 若关注医学 LLM 评测基准 → medcalc-bench(708) / medagentbench(1064) / multimedbench(129) / xmedbench(727)
• 若关注临床文本语料 → mimic-iv-note(47) / pubmedqa(49)

9.3 消歧声明（正文口径，不进 frontmatter）

• MedS-Ins ≠ MedS-Bench：前者是训练语料，后者是评测基准，二者同论文发布但角色不同，检索时严禁混指。
• MedS-Ins ≠ MMedIns-Llama 3：前者是数据，后者是模型。
• meds-ins（本条）≠ medsam2-dataset(rid 952)：后者是医学图像分割数据集（MedSAM2），名称前缀相近但领域（影像 vs 文本）与实体完全不同，严禁合并。
• meds-ins ≠ disc-med-sft(824) / radvlm-instruction-dataset(624)：同为指令数据集但来源团队、语言、领域均不同。

9.4 与库内"医学问答与基准"标签簇的关系

MedS-Ins 的 category_tags 含"医学问答与基准"“评测基准”"医学考试"三项，这使它在库内的互链算法中，会与一批同样带这些标签的条目产生关联。为避免"标签近但实体远"的误链，这里明确边界：

• 与 medqa(50)/medmcqa(111)/pubmedqa(49)：三者是评测基准且以选择题为主；MedS-Ins 是训练语料，但其 Instances 中可能重组了这类 QA 数据。关系是"数据来源 ↔ 指令化训练集"，非同一实体。
• 与 medcalc-bench(708)：同属"医学 LLM 评测基准"簇，但 medcalc-bench 聚焦数值计算（医学计算题），MedS-Ins/MedS-Bench 聚焦文本生成与抽取，任务形态不同。
• 与 medagentbench(1064)：medagentbench 评测智能体在虚拟 EHR 环境中的操作（如下达医嘱），MedS-Ins 是静态文本指令语料，交互性维度不同。
• 与 multimedbench(129)/xmedbench(727)：前者偏多模态、后者偏跨语言，MedS-Ins 是纯文本 + 多语言，三者是同一评测谱系上的不同坐标。

9.5 检索者的一句话指引

如果你是因为论文提到 MedS-Ins 而来查这份数据，最可能想确认三件事：（1）它是训练数据还是评测基准（答：训练数据，评测是姊妹 MedS-Bench）；（2）它多大（答：现行 500 万实例 + 1.9 万指令，见双口径）；（3）能不能用/怎么取（答：HF 开放直取，许可 CC BY-SA + 上游待核）。这三问对应 §1、§2.1、§6 三节，可直接跳读。

§10 避坑清单：十一个已踩过的坑

下面 11 个坑，是本条目在核验与写作过程中实际遇到或识别出的典型陷阱。它们中既有"任务头 brief 本身出错"引发的（坑 1、坑 3、坑 4），也有数据治理层面固有的（坑 2、坑 7），还有解读层面的（坑 5、坑 6、坑 8、坑 9、坑 10、坑 11）。建议按序读完，因为它们共同勾勒出一份"医学指令数据集的使用者自查表"。

坑 1：把 arXiv 2410.03742 当成 MedS-Ins 论文。
这是本条目核验过程中遇到的最大陷阱。任务头 brief 提供的 arXiv 编号 2410.03742，经抓取实为完全无关的论文《Beyond Scalar Reward Model: Learning Generative Judge from Preference Data》（Con-J，研究偏好数据的生成式评判），与 MedS-Ins 毫无关系。MedS-Ins 的正确编号是 arXiv:2408.12547。避坑：任何引用前必须核验标题与作者，编号可能被误配。

坑 2：把 13.5M 与 5M 当成两个不同的数据集。
它们是同一数据集的两套计数口径。v1 论文把"指令×实例的不同组合各计一样本"，得 13.5M samples；现行仓库把指令（19K）与实例（5M）分开计，得 5M instances + 19K instructions。避坑：引用数字必须注明是"v1 口径"还是"现行口径"，混用会造成数量级误导。

坑 3：把许可当成 MIT。
任务头 brief 称许可为 MIT，经抓取 GitHub LICENSE 实为 CC BY-SA（版权归 MAGIC 联盟），论文版权声明为 CC BY 4.0。没有 MIT。避坑：CC BY-SA 具传染性，衍生作品须以相同许可发布，不能想当然认为可宽松闭源商用。

坑 4：把 GitHub 组织名记成 AI4HealthUOL。
github.com/AI4HealthUOL/MedS-Ins 返回 404。正确仓库是 MAGIC-AI4Med/MedS-Ins。避坑：仓库可能被迁移或记错，务必以论文中给出的链接为准。

坑 5：把 MedS-Ins 与 MedS-Bench 混为一谈。
两者同论文发布，名字只差一个词，但角色完全不同：MedS-Ins 是训练语料（58 语料库/122 任务），MedS-Bench 是评测基准（11 类任务/39 数据集衍生/52 具体任务）。避坑：说"MedS-Ins 有多少评测任务"是概念混淆。

坑 6：以为训练数据里自带官方 test split。
MedS-Ins 是训练语料，评测集在 MedS-Bench。避坑：要做评测须另取 MedS-Bench，不要期望从 MedS-Ins 里切出标准测试集。

坑 7：忽略 58 个上游语料库的许可继承。
MedS-Ins 仓库未逐项声明 58 个上游语料库的许可。避坑：使用者须按每个任务的 Source/URL 回溯核查其再分发与商用条件，某些上游可能限定研究用途。

坑 8：用 MCQA 分数代表模型临床能力。
MedS-Ins 的核心论点是"选择题强 ≠ 临床能力强"。MMedIns-Llama 3 在 MCQA 上不及 GPT-4，却在摘要、NER、诊断上反超。避坑：评测医学 LLM 时应覆盖生成/抽取类任务，不能只看选择题。

坑 9：以为 MedS-Ins 是"数据集"就必然含"患者数据"。
不是。MedS-Ins 的 Instances 是指令-实例对的文本，不是患者级队列记录。它可能从临床文本语料中重组内容，但本身不提供患者标识、随访、结局等队列数据。避坑：需要患者级数据分析的场景，应改道 MIMIC 类 EMR 数据集。

坑 10：忽视 MedS-Ins 与 MedS-Bench 的"同源任务"带来的泄漏风险。
若 MedS-Bench 的某些任务与 MedS-Ins 的某些任务源自同一批上游数据，理论上存在训练/测试重叠。论文通过训测分离设计缓解，但使用者若自建评测，须自行核查是否有实例级重叠。避坑：自建评测集时做一次文本去重比对。

坑 11：把 HF 上的 Henrychur/MedS-Ins 当成官方组织账号。
HF 数据集托管在用户空间 Henrychur/（疑似作者之一），而非某个机构账号。这不影响数据真实性，但找一个"官方"入口时容易迷惑。避坑：以论文与 GitHub 为权威入口，HF 作为数据下载端。

§11 总结

11.1 三句话总结

1. MedS-Ins 是医学领域首个全面的指令微调数据集，由上海交大 + 上海 AI Lab + 中国移动构建，整合 58 个语料库、122 项任务，现行口径 500 万实例 + 1.9 万条指令（v1 计 13.5M）。
2. 它与 MedS-Bench 评测基准、MMedIns-Llama 3 模型成对发布，构成"评测暴露缺口 → 数据补缺口 → 模型验证 → 回归评测"的完整科研闭环。
3. 它证明了数据工程的杠杆：8B 小模型靠高质量指令数据，在摘要、抽取、NER、诊断等任务上反超 GPT-4 与 Claude-3.5，同时揭示了"选择题能力与临床能力是两条独立的轴"。

11.2 适合谁

• 训练医学 LLM、需要大规模指令微调语料的团队；
• 构建领域指令数据、想借鉴 Super-NaturalInstructions 医学化范式的方法研究者；
• 评测医学 LLM、需要跳出 MCQA 的临床任务基准的研究者；
• 研究"数据规模/配比如何影响模型能力结构"的实验者。

11.3 不适合谁

• 需要患者级真实临床队列数据的分析者（MedS-Ins 是指令语料，非队列数据）；
• 需要医学影像/信号等非文本模态的使用者（MedS-Ins 是纯文本数据集）；
• 期望一键商用且不愿核查上游许可的团队（CC BY-SA + 上游继承要求合规核查）。

11.4 30 秒决策卡

如果你要…	结论
训医学 LLM 的指令微调	✅ 直取 HF Henrychur/MedS-Ins
评测医学 LLM 的临床能力	✅ 用姊妹基准 MedS-Bench
找医学选择题基准	❌ 应看 medqa/medmcqa，非本法
商用且想闭源衍生	⚠️ CC BY-SA 传染性 + 上游许可待核，谨慎
引用规模数字	⚠️ 必须注明 v1 口径 13.5M 或现行 5M

11.5 交叉验证建议：与哪些库内条目对照阅读

• 想理解选择题基准的生态 → 对照 medqa(50)、medmcqa(111)、pubmedqa(49)；
• 想理解中文医学指令数据 → 对照 disc-med-sft(824)；
• 想理解医学 LLM 评测基准谱系 → 对照 medcalc-bench(708)、medagentbench(1064)、multimedbench(129)、xmedbench(727)；
• 想理解临床文本来源 → 对照 mimic-iv-note(47)、pubmedqa(49)。

11.6 一句话记住它的方法学

MedS-Ins 的真正贡献不是"58 个语料库"，而是一套可复制的方法：用严格评测定位能力缺口，用统一任务指令补缺口，用训测分离守住评测公信力。

11.7 若只能记住五条

1. 身份：MedS-Ins 是医学指令微调数据集，论文 arXiv:2408.12547，上海交大 + 上海 AI Lab + 中国移动。
2. 规模：58 语料库 / 122 任务；现行 500 万实例 + 1.9 万指令，v1 计 13.5M samples（两套口径）。
3. 闭环：与 MedS-Bench（评测）和 MMedIns-Llama 3（模型）成对发布。
4. 成果：8B 模型在生成/抽取/NER/诊断上反超 GPT-4，但 MCQA 仍不及，印证"选择题 ≠ 临床能力"。
5. 合规：仓库 CC BY-SA、论文 CC BY 4.0、上游许可待核；MIT 之说为误。

FAQ（高频问答 40 问）

A. 基础认知

Q1：MedS-Ins 的官方全称是什么？
MedS-Ins（Medical Super-Instructions）。它是一个面向医学的指令微调数据集。

Q2：它和 MMedIns-Llama 3 是一回事吗？
不是。MedS-Ins 是数据集，MMedIns-Llama 3 是用它微调出的验证模型（8B）。

Q3：谁做的？
上海交通大学、上海人工智能实验室、中国移动通信集团三方，署名 MAGIC 联盟。8 位作者，一作 Chaoyi Wu。

Q4：论文发在哪？
arXiv:2408.12547（2024-08-22 v1），期刊版 npj Digital Medicine。

Q5：MedS-Ins 和 MedS-Bench 什么关系？
同论文发布的两类资产：MedS-Ins 是训练数据，MedS-Bench 是评测基准。

Q6：官方口径到底多大？
现行：58 语料库 / 500 万实例 / 1.9 万指令 / 122 任务。v1：同语料库与任务数，但计 13.5M samples。

B. 数据与获取

Q7：数据在哪下载？
HuggingFace Henrychur/MedS-Ins（约 7.58 GB）；代码在 GitHub MAGIC-AI4Med/MedS-Ins。

Q8：需要申请吗？
不需要。开放直取，无需 DUA 或邮件申请。

Q9：许可是什么？
仓库 LICENSE 为 CC BY-SA（MAGIC 联盟 2024）；论文为 CC BY 4.0；上游 58 语料库许可需自行核查。非 MIT。

Q10：数据格式？
每任务一个 JSON，字段含 Definition / Reasoning / Positive Examples / Negative Examples / Instances 等。

Q11：支持中文吗？
支持。字段显式区分 Instruction/Input/Output 三种语言，含中英等。

Q12：能商用吗？
须谨慎：CC BY-SA 要求相同方式共享，且上游语料库许可未逐项声明，需逐项核查。

C. 数据构成

Q13：58 个语料库都是什么？
覆盖五大文本域：医学知识库、临床文本、学术论文、考试、日常对话。

Q14：各来源占比？
token 占比：医学知识库 43%、临床文本 35%、学术论文 13%、考试 7%、日常对话 2%。

Q15：为什么知识库占比最高？
提供最广的医学事实基底；临床文本居次，确保临床对齐。

Q16：122 项任务和 19 个类别什么关系？
19 类是中层归类，122 是最细粒度的具体任务（每项一个 JSON）。

Q17：Negative Examples 必须有吗？
负例的 explanation 必需，但整个负例字段可为空——鼓励但不强制。

Q18：Instances 里每条是什么？
id + input + output 三元组，是训练样本主体。

D. 评测与模型

Q19：MMedIns-Llama 3 有多强？
8B 模型，在摘要（BLEU/ROUGE 46.82/48.38）、NER（F1 68.58）、诊断（DDXPlus 95）等任务反超 GPT-4。

Q20：它在 MCQA 上强吗？
不强于 GPT-4（63.9 vs 75.3），这正是"选择题 ≠ 临床能力"的证据。

Q21：训练成本？
8B 参数，batch 128，lr 1e-5，5 epochs，32×Ascend910B，383.5 小时。

Q22：MedS-Bench 有几类任务？
11 类高层临床任务，由 39 个数据集衍生，涉及 52 项具体任务。

E. 工程与库内

Q23：能直接微调吗？
可以，但需注意 JSON schema 与多语言字段的解析；建议参考仓库 data_preparing 代码。

Q24：库内有相关条目吗？
有：medqa(50)、medmcqa(111)、pubmedqa(49)、mednli(648)、medcalc-bench(708)、disc-med-sft(824)、medagentbench(1064) 等。

F. 深入与边界

Q25：为什么叫 MedS-Ins，"S"是什么意思？
S 指 Super，取意于 Super-NaturalInstructions 范式，强调"超级规模的任务指令集"。

Q26：数据集里的 Reasoning 字段怎么用？
它承载任务的推理链说明，可拼入 prompt 教模型"如何思考"，是区别于普通 QA 对的关键字段。

Q27：58 个语料库具体是哪些？
README 未在正文逐一点名，但它们按五大文本域归类，可通过每个任务 JSON 的 Source/URL 字段回溯。

Q28：能只用中文部分吗？
可以，通过 Instruction/Input/Output 语言字段筛选中文子集。

Q29：数据集有数据泄漏风险吗？
理论上需注意：MedS-Bench 的部分任务源自与 MedS-Ins 相同的 39 个上游数据集时，须确保训测不重叠；论文通过"训测分离"设计缓解，但使用者自建评测时应自行核查重叠。

Q30：为什么会有第三方 fork？
因官方原始评测脚本基于 HuggingFace 模型加载，部分用户需要 vLLM/SGLang 等高性能推理后端的支持，社区 fork 补齐了这一工程需求。

Q31：MedS-Ins 和 Super-NaturalInstructions 有什么不同？
Super-NaturalInstructions 是通用 NLP 任务指令集，MedS-Ins 做了医学化、加负例、加多语言三处适配。

Q32：MMedIns-Llama 3 是 MMed-Llama 3 的升级版吗？
可以这么理解：MMed-Llama 3 是基座（多语言医学模型），MMedIns-Llama 3 是在其基础上用 MedS-Ins 做指令微调后的版本。

Q33：论文里 GPT-4 的 MCQA 分数为何比 MMedIns 高？
因为 MCQA 是知识检索 + 选项判别，GPT-4 参数量与预训练知识的优势在此最能发挥；而生成类任务更依赖任务适配度，MMedIns 占优。

Q34：BLEU/ROUGE 高分是否代表临床可用？
不代表。BLEU/ROUGE 衡量 n-gram 重叠，与临床有用性非线性相关，需人工评估补充。

Q35：数据集会不会持续更新？
会。有 DATA_Contributor 社区贡献机制，且 MedS-Bench 测试集计划滚动更新。

Q36：能用于商业医疗产品吗？
须谨慎评估：CC BY-SA 的相同方式共享要求 + 上游许可未逐项声明，建议法务逐项核查后再决定。

Q37：MedS-Bench 排行榜在哪？
https://henrychur.github.io/MedS-Bench/。

Q38：如果我想复现论文的 MMedIns-Llama 3，需要什么资源？
论文配置为 8B 基座 + 32×Ascend910B + 383.5 小时；资源不足可考虑更小基座或 LoRA 微调，但复现精度会下降。

Q39：MedS-Ins 与 MedSAM2（medsam2-dataset, rid 952）有关吗？
无关。前者是医学文本指令语料，后者是医学图像分割数据集，仅名称前缀近似。

Q40：引用 MedS-Ins 时应引什么？
引 arXiv:2408.12547（或 npj Digital Medicine 版），并在数字处注明是 v1 口径还是现行口径。

事实清单（硬事实 40 条）

1. 官方名：MedS-Ins（Medical Super-Instructions）。来源：arXiv:2408.12547。
2. 类型：医学指令微调数据集。来源：论文摘要。
3. 论文标题：Towards Evaluating and Building Versatile Large Language Models for Medicine。来源：arXiv HTML。
4. arXiv 编号：2408.12547。来源：arXiv HTML。
5. ⚠️ 2410.03742 为无关论文（Con-J），非 MedS-Ins。来源：arXiv 实抓核验。
6. arXiv v1 日期：2024-08-22。来源：arXiv。
7. 期刊：npj Digital Medicine。来源：GitHub README。
8. 作者数：8。来源：arXiv HTML。
9. 一作：Chaoyi Wu。来源：arXiv HTML。
10. 机构：上海交大 + 上海 AI Lab + 中国移动。来源：arXiv HTML affiliation。
11. 版权主体：MAGIC 联盟。来源：GitHub LICENSE。
12. 语料库数：58。来源：论文 + README。
13. 任务数：122。来源：论文 + README。
14. 现行实例数：5M instances。来源：README。
15. 现行指令数：19K instructions。来源：README。
16. v1 样本数：13.5M samples。来源：论文 v1。
17. 文本来源域：5 个。来源：论文。
18. 任务类别数：19。来源：论文。
19. 知识库 token 占比：43%。来源：论文。
20. 临床文本 token 占比：35%。来源：论文。
21. 学术论文 token 占比：13%。来源：论文。
22. 考试 token 占比：7%。来源：论文。
23. 日常对话 token 占比：2%。来源：论文。
24. MedS-Bench 任务类：11 类。来源：论文。
25. MedS-Bench 衍生数据集：39 个。来源：论文。
26. MedS-Bench 具体任务：52 项。来源：论文。
27. 微调模型：MMedIns-Llama 3（8B，基于 MMed-Llama 3）。来源：论文。
28. 训练硬件：32×Ascend910B，383.5 小时。来源：论文。
29. 仓库 LICENSE：CC BY-SA。来源：raw.githubusercontent LICENSE。
30. HF 数据集体积：约 7.58 GB。来源：HF 数据卡。
31. HF 近一月下载：约 489。来源：HF 数据卡。
32. 论文版权声明：CC BY 4.0。来源：arXiv HTML。
33. 基座模型：MMed-Llama 3。来源：论文。
34. 训练 batch size：128。来源：论文。
35. 训练学习率：1e-5。来源：论文。
36. 训练轮数：5 epochs。来源：论文。
37. 仓库组织：MAGIC-AI4Med。来源：GitHub。
38. HF 托管账号：Henrychur。来源：HF。
39. 榜单地址：henrychur.github.io/MedS-Bench/。来源：论文 + README。
40. 数据格式灵感：Super-NaturalInstructions。来源：论文自述。

术语表（24 条）

术语	英文	释义
指令微调	Instruction Tuning	用「指令-输入-输出」配对数据训练模型遵循指令的过程
指令	Instruction	描述任务要求的自然语言文本
实例	Instance	一个具体样本（输入 + 期望输出）
语料库	Corpus	一类原始文本数据的集合
任务指令化	Task Instructionization	把原始数据包装成带定义与示例的指令任务
MedS-Bench	—	同论文提出的医学评测基准
MedS-Ins	—	本条目主体，医学指令微调数据集
MMedIns-Llama 3	—	用 MedS-Ins 微调得到的 8B 验证模型
MCQA	Multiple-Choice QA	多选题问答
NER	Named Entity Recognition	命名实体识别
BLEU	Bilingual Evaluation Understudy	文本生成质量指标
ROUGE	Recall-Oriented Understudy for Gisting Evaluation	摘要质量指标
F1	F1 Score	精确率与召回率的调和平均
正例	Positive Example	任务典型正确样例
负例	Negative Example	任务典型错误样例
推理链	Reasoning	完成任务所需的推理步骤说明
定义	Definition	任务的详细界定
Super-NaturalInstructions	—	NLP 领域大规模任务指令数据集，本数据集的灵感来源
事实核查	Fact Verification	判断声明是否被证据支持
NLI	Natural Language Inference	自然语言推理
PICO	Population/Intervention/Comparison/Outcome	循证医学问题结构化框架
EBMS	Evidence-Based Medicine Statement	循证医学声明
CC BY-SA	—	Creative Commons 署名-相同方式共享许可
CC BY 4.0	—	Creative Commons 署名许可

附录

附录 A：条目信息速查卡

项目	值
slug	meds-ins
官方名	MedS-Ins
类型	医学指令微调数据集
论文	arXiv:2408.12547
规模（现行）	58 语料库 / 500 万实例 / 1.9 万指令 / 122 任务
规模（v1）	13.5M samples
姊妹基准	MedS-Bench（11 类 / 39 数据集 / 52 任务）
微调模型	MMedIns-Llama 3（8B）
许可	CC BY-SA（仓库）/ CC BY 4.0（论文）/ 上游待核
获取	HF Henrychur/MedS-Ins（7.58 GB）/ GitHub MAGIC-AI4Med/MedS-Ins
库内互链	medqa(50) medmcqa(111) pubmedqa(49) mednli(648) medcalc-bench(708) disc-med-sft(824)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	论文开放获取 + GitHub/HF 双入口 + 动态排行榜；npj 期刊版提升学术可见度；名称 MedS-Ins/MedS-Bench 易混是轻微减分
A 可获取性	8	HF 开放直取、无需 DUA、约 7.58 GB；缺点是上游 58 语料库许可未逐项声明，构成合规核查成本
I 可互操作	8	每任务一个 JSON、schema 清晰含 Definition/Reasoning/正负例；提供 data_preparing 与 Metrics 脚本；无官方标准转换到通用指令格式
M 元数据质量	7	任务级字段丰富（语言/域/推理链）；但 13.5M↔5M 双口径、samples/instances/instructions 三词混用是显著漂移，须读者自行消解
S 可持续性	7	依托 GitHub + HF 平台稳定；有 DATA_Contributor 社区贡献机制与滚动测试集；但仓库更新节奏减缓（README 最后 2025-05）
综合评级	7.6/10（良好）	可发现性与可获取性突出，元数据因口径漂移略降；开放协作机制加分

附录 C：逐项证据链自证

关键数字	来源	位置
58 语料库 / 122 任务	论文 v1 + GitHub README 双方一致	arXiv HTML / README
5M instances + 19K instructions	GitHub README 现行口径	README 正文
13.5M samples	论文 v1	arXiv HTML 摘要
11 类 / 39 数据集 / 52 任务（MedS-Bench）	论文	arXiv HTML
43%/35%/13%/7%/2% token 占比	论文	arXiv HTML 表格
8 作者与机构	论文	arXiv HTML affiliation
8B / batch 128 / lr 1e-5 / 5 epochs / 32×Ascend910B / 383.5h	论文	arXiv HTML 训练节
摘要 46.82/48.38、NER 68.58、DDXPlus 95	论文	arXiv HTML 结果表
CC BY-SA + MAGIC 版权	GitHub LICENSE	raw.githubusercontent
约 7.58 GB	HF 数据卡	HF Henrychur/MedS-Ins

附录 D：数据获取决策树

需要医学 LLM 指令微调数据？
├─ 是 → 要训练语料还是评测基准？
│   ├─ 训练语料 → MedS-Ins（本条）→ HF Henrychur/MedS-Ins 直取
│   └─ 评测基准 → MedS-Bench → HF Henrychur/MedS-Bench + 排行榜
├─ 需要医学选择题基准？ → medqa(50)/medmcqa(111)/pubmedqa(49)
├─ 需要中文医学对话微调？ → disc-med-sft(824)
├─ 需要医学智能体评测？ → medagentbench(1064)
└─ 需要医学影像/信号（非文本）？ → 本数据集不适用，改道影像/信号条目

附录 E：许可核查清单（三层）

层	对象	许可	要求
1	MedS-Ins 仓库/代码	CC BY-SA	署名 + 衍生作品相同方式共享
2	论文	CC BY 4.0	署名
3	58 个上游语料库	各自不同（未逐项声明）	逐项回溯 Source/URL 核查
⚠️	brief 所载 MIT	不成立	经一手核验为 CC BY-SA，勿据 MIT 使用

附录 F：双口径对照表（引用必查）

口径	来源	语料库	任务	总量表述
v1 论文	arXiv:2408.12547 v1	58	122	13.5 million samples
现行仓库	GitHub README	58	122	5M instances + 19K instructions
官方解释	README	—	—	v1 按「指令×实例组合」计数，现行分离计数

附录 G：五大来源域与能力取向

来源域	token 占比	能力取向
医学知识库	43%	医学事实记忆与检索
临床文本	35%	临床表达对齐
学术论文	13%	科研级知识理解
考试	7%	结构化医学知识
日常对话	2%	医患互动语感

附录 H：MMedIns-Llama 3 评测结果总表

任务	指标	MMedIns-Llama 3	最强者对照组
MCQA	Accuracy 均值	63.9	GPT-4 75.3
文本摘要	BLEU/ROUGE	46.82/48.38	Claude-3.5 26.29/27.36
信息抽取	Accuracy	83.18	InternLM 2 81.58
概念解释	BLEU/ROUGE	33.89/37.68	GPT-4 19.18/21.33
NER	F1	68.58	GPT-4 44.30
诊断 SEER	Accuracy	98	Claude-3.5 90
诊断 DDXPlus	Accuracy	95	GPT-4 52
HoC 分类	F1	87.37	Claude-3.5 63.32
EBMS 论证	BLEU/ROUGE	11.99/12.90	GPT-4 16.36/16.33（本模型偏弱）

附录 I：坑点档案（与 §10 对照）

坑	一句话	后果
坑 1	arXiv 编号误配 2410.03742	引用错误论文
坑 2	13.5M/5M 当成两个数据集	数量级误导
坑 3	许可误当 MIT	合规风险
坑 4	仓库组织名记错	404 无法获取
坑 5	MedS-Ins 与 MedS-Bench 混淆	概念错误
坑 6	以为自带 test split	评测无从下手
坑 7	忽略上游许可继承	侵权风险
坑 8	用 MCQA 代表临床能力	评测失真

附录 J：检索决策树

检索「医学指令微调」→ meds-ins（本条）
检索「医学评测基准」→ meds-ins 姊妹 MedS-Bench；库内 medcalc-bench(708)/medagentbench(1064)
检索「MedS-Bench」→ 指向本条，勿另建条目（同一论文资产）
检索「meds」→ 注意区分 meds-ins 与 medsam2-dataset(952，影像分割)
检索「医学选择题」→ medqa(50)/medmcqa(111)/pubmedqa(49)

附录 K：条目信息（frontmatter 明细）

• title / subtitle / description / category_tags 见 frontmatter；
• category_tags 取自受控词表：医疗NLP、医学问答与基准、临床文本、医学考试、评测基准；
• data_tags：指令微调、文本语料、知识库；
• 数据来源明细见 §2.1 与附录 G（此处不重复 frontmatter 的 data_source 逐条清单）。

附录 L：任务类型示例（依 MedS-Bench 11 类展开）

MedS-Bench 的 11 类高层临床任务，可归纳为若干能力轴。下表为便于理解的示例映射（具体任务名以仓库与论文为准）：

能力轴	代表任务类	典型输入 → 输出
理解与解释	医学概念解释	术语 → 通俗/专业释义
信息抽取	命名实体识别（NER）	文本 → 实体及边界标签
结构化抽取	PICO 抽取	论文摘要 → P/I/C/O 四要素
文本生成	临床报告摘要	完整报告 → 结构化摘要
决策建议	治疗建议	病例 → 治疗推荐
判断推理	诊断	症状/检查 → 诊断候选
事实核查	声明验证	声明 + 证据 → 支持/反驳
推理判别	自然语言推理（NLI）	前提 + 假设 → 蕴含/矛盾/中立
分类	文本分类（HoC）	文本 → 类别
结局预测	临床结局预测	特征 → 结局概率
循证论证	EBMS 论证	声明 → 证据论证说明

这张映射表说明：MedS-Ins/MedS-Bench 覆盖的不是"一种题"，而是从理解到生成、从抽取到推理的完整临床文本能力谱。

附录 M：与库内 Disc-Med-SFT 的对照要点

维度	MedS-Ins（本条）	DISC-Med-SFT(824)
语言	多语言（中/英等）	中文为主
规模口径	58 语料库 / 122 任务	MedDialog 重构 40 万 + CMeKG-QA 5 万等
数据来源	五大文本域（知识库/临床/论文/考试/对话）	医患对话重构 + 知识图谱转 QA
构造方法	任务指令化（Super-NaturalInstructions 式）	LLM-in-the-loop 重构
许可	CC BY-SA（仓库）/ 上游待核	apache-2.0（公开子集）
定位	通用医学指令语料	中文对话式 SFT
是否可合并	❌ 不同实体	❌ 不同实体

附录 N：口径漂移时间线

时间	事件	口径
2024-08-22	arXiv v1 发布	13.5M samples（1350 万）
2024-09-05	论文更新，修正统计值	仍表 13.5M samples
2024 年内	GitHub README 更新计数方式	5M instances + 19K instructions
2025-05	README 最后更新	维持 5M / 19K 口径
2026-10-16	本条核验	以现行 5M / 19K 为主口径，13.5M 存照

附录 O：给数据工程师的接入 SOP 骨架

# 1. 获取数据（沙箱可走 hf-mirror.com 镜像）
# HF: Henrychur/MedS-Ins （约 7.58 GB）
# 2. 解析每个任务的 JSON
#    读 Definition / Reasoning → 拼入 system prompt
#    读 Positive/Negative Examples → 构造 few-shot 或对比样本
#    读 Instances → 展平为训练行（instruction + input + output）
# 3. 按 Instruction_language / Domains 字段筛选目标子集
# 4. 转换到目标训练格式（Alpaca / ShareGPT 等）
# 5. 微调后 → 用 MedS-Bench（Henrychur/MedS-Bench）评测
# 6. 核查每个任务 Source/URL 的上游许可

附录 P：许可风险自评表

使用场景	仓库 CC BY-SA 下是否可行	注意事项
学术研究复现	✅ 可行	署名 + 相同方式共享
训练后开源模型	✅ 可行	衍生作品按 CC BY-SA 发布
训练后闭源商用	⚠️ 受限	CC BY-SA 传染性 + 上游许可待核
直接再分发数据集	✅ 可行	保留署名，相同许可
摘取子集闭源	⚠️ 受限	需核查上游各语料库条件

附录 Q：本条目核验来源清单

来源	类型	用途
arXiv:2408.12547（HTML 全文）	一手论文	机构/规模/占比/评测
github.com/MAGIC-AI4Med/MedS-Ins	一手仓库	README 现行口径/目录结构
raw.githubusercontent LICENSE	一手许可	CC BY-SA 确认
hf.co / hf-mirror Henrychur/MedS-Ins	一手数据卡	体积/下载量
henrychur.github.io/MedS-Bench	官方榜单	排行榜地址
arXiv:2410.03742 实抓	反证	证伪 brief 编号误配

附录 R：给不同读者的深度阅读路线

路线一：只想快速判断能不能用（10 分钟）
读 §0 导读 → §1 速览表 → §6.2 许可 → §11.4 决策卡。结论：能用/不能用、怎么用、合规边界。

路线二：数据工程/训练向（40 分钟）
读 §2（数据构成与规格）→ §3（生产流水线）→ §5（评测与模型）→ 附录 O（接入 SOP）→ 附录 P（许可风险）。

路线三：评测/研究向（40 分钟）
读 §4（MedS-Bench）→ §5.5-5.10（能力解读与边界）→ 附录 L（任务类型映射）→ §8（方法学启示）。

路线四：合规/法务向（20 分钟）
读 §6（获取与许可）全文 → §6.5-6.6 → 附录 E、附录 P。核心结论：CC BY-SA 传染性 + 上游 58 语料库许可需逐项核查，MIT 不成立。

路线五：决策/管理向（15 分钟）
读 §0.1（三个心智模型）→ §7（生态与影响）→ §11（总结）→ §11.5（交叉验证建议）。

附录 S：本条目写作声明

• 本条目所有关键数字均来自 arXiv:2408.12547、GitHub MAGIC-AI4Med/MedS-Ins、HF Henrychur/MedS-Ins 三个一手来源；
• 任务头 brief 所载的 arXiv 编号（2410.03742）与许可（MIT）经核验与事实不符，已在正文 §10 坑 1、坑 3 及附录 F、附录 E 中显式记录并校正；
• 双口径（13.5M vs 5M）在 §2.1、§10 坑 2、附录 F 中逐条存照，主口径取现行仓库口径；
• 库内互链 rid 均为核验时 DB 实测值，入库时若 rid 有变以 DB 为准。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• mtcmb — 共享标签：医疗NLP / 医学问答与基准 / 临床文本 / 医学考试 / 评测基准
• blue-benchmark — 共享标签：医疗NLP / 医学问答与基准 / 临床文本 / 评测基准
• care-bench — 共享标签：医疗NLP / 医学问答与基准 / 临床文本 / 评测基准
• persona-patientsim — 共享标签：医疗NLP / 医学问答与基准 / 医学考试 / 评测基准
• cohortx — 共享标签：医疗NLP / 医学问答与基准 / 临床文本 / 评测基准
• cats-58 — 共享标签：医学问答与基准 / 临床文本 / 医学考试 / 评测基准
• medqa — 共享标签：医疗NLP / 医学问答与基准 / 医学考试 / 评测基准
• medmcqa — 共享标签：医疗NLP / 医学问答与基准 / 医学考试 / 评测基准
• cmb-cmexam — 共享标签：医疗NLP / 医学问答与基准 / 医学考试 / 评测基准
• mednli — 共享标签：医疗NLP / 医学问答与基准 / 临床文本 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。