QiZhenGPT — 启真医学中文医疗指令微调数据集

INFOBOX — QiZhenGPT 一屏速览

维度	内容
本质	浙大 CMKRG 开源的中文医疗指令微调数据集 + 同名三模型家族（数据与模型一体发布）
团队	浙江大学计算机创新技术研究院，GitHub 账号 CMKRG（bio：Computable Medical Knowledge Research Group，可计算医学知识研究组）
仓库	github.com/CMKRG/QiZhenGPT，2023-05-08 创建，最后 push 2024-08-09；stars 780 / forks 90（2026-10 实抓）
数据	560K 真实医患问答 + 180K 药品模板 + 298K 疾病模板 ≈ 1038K 条（另有 740K 训练用量口径并存待核）
公开抽样	仅 sft-20k.json（20,000 条，16,075,123 字节）经 ModelScope 公开；完整数据依赖百度网盘
上游	启真医学知识库：文献超百万份、术语/实体/关系超千万条、百余种疾病临床决策路径、10 余学科
模型家族	QiZhen-LLaMA-7B / QiZhen-Alpaca-7B / QiZhen-CaMA-13B（基座分别为 Chinese-LLaMA-Plus / Chinese-Alpaca-Plus / CaMA）
训练	7×A800 80GB；Chinese-LLaMA-Plus-7B 3500 步耗时 23h50m（README 训练日志口径）
评测	94 种药品三档匹配：QiZhen-CaMA-13B-12400 达 91.49% / 82.98% / 72.34%，同代 ChatGPT 仅 47.87% / 30.85% / 15.96%
许可	官方 GPL-3.0；ModelScope 镜像标 Apache-2.0（冲突存照）
论文	无正式论文（README 称 Technical paper is coming soon，截至 2024-08 未兑现）
生态链	QiZhenGPT → 启真医学大模型 → MedCopilot（浙大二院）/ APTS；2025-04 入选国家高等教育智慧教育平台 2.0 唯一医学学科大模型
获取	代码公开直链｜数据百度网盘+ModelScope 抽样｜权重百度网盘/ModelScope｜HuggingFace 无官方 repo
库内互链	disc-med-sft(824)、huatuo-26m(823)、cmb-cmexam(180)、meddialog(210)、cblue(190)、medicationqa(170)、zhejiang-ehr-critical-care(598)

QiZhenGPT 是一个「知识库喂出大模型」的早期中文医疗范本：它不是一个单纯的数据集，而是一套数据集+模型+评测三件套——上游是浙大计算机创新技术研究院的启真医学知识库（一个国产化、本土化授权的百万级文献知识库），中间是三条构建线从知识库里「压」出约 1038K 条中文医疗指令样本，下游是 QiZhen-LLaMA-7B、QiZhen-Alpaca-7B、QiZhen-CaMA-13B 三个微调模型。它的 94 种药品知识评测里，QiZhen-CaMA-13B 在最严口径下拿到 72.34%，而同代 ChatGPT 只有 15.96%——这组数字成为「通用大模型中文医学知识短板」最有引用价值的早期实证之一。

它同样是一个「开源承诺与可获得性之间有落差」的典型样本：README 表格里的 560K+180K+298K 没有公开直链，公开可验证的只有一份 20,000 条的 sft-20k.json 抽样；官方许可 GPL-3.0 与 ModelScope 镜像标注的 Apache-2.0 打架；宣称的 technical paper 截至 2024-08 最后一次 push 也没有出现。这些落差使它成为研究「中文医疗数据集工程如何声明规模、又如何兑现规模」的极好解剖对象。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——先认清「公开的只有 sft-20k 抽样」这个前提，再看三条获取路径各自的坑。
2. 关心评测可信度：直奔 §4 与 §10 坑 6——三档口径的定义、94 种药品清单、README 自述属性，读数字前先读约束。
3. 做中文医疗 LLM 选型：直奔 §2.6 与 §7——把 QiZhenGPT 放进中文医疗指令数据集对比表和技术演进链里看，它既是数据集也是一条产品线的起点。

§0 导读：这个数据集解决什么问题

0.5 章节导航

章节	内容	适合谁
§1	十问十答 + 五组常见误解澄清	所有读者的第一站
§2	数据构成与规格（三线构成表、sft-20k 规格、同类对比、双口径）	数据使用者、选型者
§3	数据构建（启真知识库上游、三条构建线、时间线）	数据工程、方法论研究者
§4	评测：94 药品三档口径与统计卫生守则	引用评测数字的所有人
§5	模型家族与训练配置	复现者、模型选型者
§6	获取与许可（三层资产三种门、许可冲突、AI-Ready 评估）	动手取数的人
§7	生态与影响（演进链、传播时间线、口径分级）	产业分析、生态研究
§8	方法学启示（可迁移经验+反面清单+发布者检查清单）	数据集发布者、策展人
§9	库内互链（9 条目 rid 对照+回链建议）	站内检索、条目维护者
§10	避坑清单（9 个坑+依赖关系）	所有人（写引用前必读）
§11	总结（三句话+适合/不适合+30 秒决策卡）	赶时间的决策者
FAQ+附录	32 问、30 条硬事实、术语表、A-P 附录	深度核查者

2023 年上半年，ChatGPT 席卷全球，但中文医疗场景暴露出一个结构性问题：通用大模型对中文药品知识、本土临床术语、中文问诊话语的掌握显著弱于英文场景。一方面是语言鸿沟——LLaMA 等基座模型中文语料占比极低；另一方面是知识鸿沟——药品说明书、临床路径、诊疗规范这些「结构化的中文医学知识」很难直接进入预训练语料。浙大 CMKRG 团队的判断是：与其等一个通用模型变聪明，不如把一个知识库「翻译」成指令微调（instruction tuning）语料，直接对基座模型做监督微调（SFT）。

QiZhenGPT 的回答是三条构建线。第一条从启真医学知识库积累的真实医患对话/在线问诊数据中清洗抽取 560K 条真实问答——这条线提供「真实临床话语分布」；第二条把药品说明书的结构化字段（适应症、用法用量、不良反应等）模板化为 180K 条指令——这条线提供「结构化药品知识的密集覆盖」；第三条把疾病知识条目（病因、症状、诊断、治疗等）模板化为 298K 条指令——这条线提供「疾病知识的系统性覆盖」。三线合计约 1038K 条，在其发布的 2023 年 5 月，是中文医疗指令数据集里规模最大的尝试之一。

这个条目之所以进入 AI-Ready Wikipedia，除了数据本身，更因为它的工程史价值：它是「知识库→指令数据→领域模型→临床产品」完整链条的第一环，后续演进的启真医学大模型 2025 年入选国家高等教育智慧教育平台 2.0 智能版唯一的医学学科大模型，落地产品 MedCopilot 把浙大二院的出院小结书写从 20 多分钟压缩到几分钟。理解 QiZhenGPT 的数据构建方式，就是理解这条产品线的地基。

§0 读法三则：

1. 本条目里「数据集」与「模型」不可拆分：数据规模的宣称、模型的评测数字、权重与数据的获取方式全部缠绕在同一个 GitHub 仓库里，引用时需同时交代。
2. 全文硬数字均标注来源与抓取时点；README 自述口径与第三方口径的每一处冲突都在 §10 与附录 K 存照，未经核实的推断放正文标注「待核」。
3. 检索时若把「QiZhenGPT-Cache」「qizen-gpt」当作独立数据集去搜会绕远路——前者是第三方缓存语境里的名字，后者是 ModelScope 镜像的原样拼写，指向的都是同一个官方仓库（坑 1）。

§1 数据集速览：十问十答

Q1：QiZhenGPT 到底是数据集还是模型？
都是。官方仓库以模型命名（QiZhenGPT: An Open Source Chinese Medical Large Language Model），但仓库内容同时覆盖指令数据集的构建脚本、数据下载入口与三个微调模型的权重分发。本条目按 AI-Ready Wikipedia 的收录逻辑以数据集为主体、模型为衍生品撰写，但读者应始终记住两者一体发布。

Q2：数据有多少、由什么构成？
README 口径三部分：560K 条真实医患问答（来自启真医学知识库积累的真实医患对话/在线问诊数据）、180K 条药品知识模板（基于药品说明书结构化字段生成）、298K 条疾病知识模板（基于疾病知识条目生成），合计约 1038K 条。另有 740K 的训练用量口径在同一仓库材料中并存，两者关系未说明（坑 4）。

Q3：现在能下载到什么？
三样东西可得性完全不同：代码与文档在 GitHub 公开直链；sft-20k.json（20,000 条抽样，16,075,123 字节）在 ModelScope 镜像公开；完整 1038K 数据与三个模型的权重经 README 提供的百度网盘链接分发（提取码制，时效未核）。HuggingFace 上没有官方 repo（坑 7）。

Q4：sft-20k.json 里是什么格式？
指令微调（SFT）通用的 instruction/input/output 三元组 JSON。它是对全集的抽样，用来让研究者快速检视数据风格与字段结构；20,000 条的体量也足以做小规模复现实验，但不能代表 1038K 全集的分布。

Q5：谁做的这个数据集？
GitHub 账号 CMKRG——其 bio 原文为 Computable Medical Knowledge Research Group（可计算医学知识研究组），隶属浙江大学计算机创新技术研究院。注意 CMKRG 在 GitHub 上是个人账号（API type: User）而非 Organization，账号 2023-05-08 注册，公开仓库仅 QiZhenGPT 一个（坑 8）。

Q6：三个模型有什么区别？
区别在基座：QiZhen-LLaMA-7B 基于 Chinese-LLaMA-Plus-7B，QiZhen-Alpaca-7B 基于 Chinese-Alpaca-Plus-7B，QiZhen-CaMA-13B 基于 CaMA-13B（融合中英医学语料续训的 13B 基座）。三者用同一套指令数据做监督微调，硬件为 7×A800 80GB；README 给出的代表性训练时长是 Chinese-LLaMA-Plus-7B 跑 3500 步耗时 23 小时 50 分钟。

Q7：评测数字怎么读？
94 种药品、三档匹配口径（由严到宽）：QiZhen-CaMA-13B-12400 得 91.49% / 82.98% / 72.34%，ChatGPT 得 47.87% / 30.85% / 15.96%。结论方向（中文药品知识上微调模型显著优于同代 ChatGPT）与多个第三方中文医疗评测的结论一致，但这组数字本身全部出自 README 自述，三档口径的准确定义与 94 种药品清单未公开（坑 6）。

Q8：许可是什么？用的时候注意什么？
官方仓库标注 GPL-3.0——这是一个强 Copyleft（传染性）许可，衍生模型与数据分发需遵守其开源义务；而 ModelScope 上的抽样镜像标注 Apache-2.0，与官方冲突（坑 2）。商用或二次分发前必须先澄清以官方 GPL-3.0 为准的义务边界。

Q9：它和后来的启真医学大模型是什么关系？
前者是 2023 年的开源学术起点（LLaMA 系基座+SFT），后者是 2024-2025 年演进的产业化版本（自研底座、对接启真知识库在线服务、进入医院与国家平台）。两者共享启真医学知识库这一上游，但不是同一个模型——引用时不要混用（§7）。

Q10：为什么它对 AI-Ready 重要？
它是「高宣称规模、低公开可得」的中文医疗数据集标本：README 宣称 1038K，公开直链仅覆盖约 2%（20K/1038K）。它的 AI-Ready 得分被可获得性严重拖低，但其「知识库→指令语料」的构建方法论与完整的三条构建线描述，对后来者（包括库内多条中文医疗 SFT 数据集）有直接的方法论参照价值。

1.5 五组常见误解与澄清

围绕 QiZhenGPT 的检索与引用实践中，以下五组误解出现频率最高。每组按「误解—实况—正确姿势」三段澄清，实况部分全部锚定本文已核验的事实（对应坑点见 §10）。

误解一：QiZhenGPT 是 ChatGPT 的中文医疗微调版

• 误解：名字带 GPT、评测又对比 ChatGPT，容易让人以为它是 OpenAI 模型的下游衍生。
• 实况：QiZhenGPT 三个模型全部基于开源 LLaMA 系基座（Chinese-LLaMA-Plus-7B / Chinese-Alpaca-Plus-7B / CaMA-13B）微调，训练栈为 transformers 生态，与 OpenAI 无任何技术继承关系；ChatGPT 仅在 94 药品评测中作为对照物出现（§5.1）。
• 正确姿势：引用时写「基于 Chinese-LLaMA 系开源基座微调的中文医疗模型」，不要写「基于 ChatGPT/GPT 系」；两者评测对比是「微调模型 vs 同代通用模型」的关系，不是上下游关系。

误解二：README 表格里的 1038K 都能下载

• 误解：看到 README 数据构成表列出 560K+180K+298K，默认整包可下载。
• 实况：公开直链只有 sft-20k.json 一份（20,000 条，16,075,123 字节，ModelScope 镜像）；完整数据挂百度网盘（提取码制，2024-08 后仓库静默，时效未核），公开可验证部分约占宣称总量的 2%（坑 3）。
• 正确姿势：区分「宣称规模」（约 1038K）与「可得规模」（20K 抽样），引用时必须二选一写明口径；动手前先按附录 D 的决策树选门。

误解三：CMKRG 是 GitHub 组织账号

• 误解：bio 写着研究组（Computable Medical Knowledge Research Group），自然推断为 Organization。
• 实况：GitHub API 显示该账号 type 为 User（个人账号形态），2023-05-08 注册，公开仓库仅 QiZhenGPT 一个；研究组是自称，背后实体是浙江大学计算机创新技术研究院（坑 8）。
• 正确姿势：按机构名（浙大计创院）检索 GitHub 会扑空，按 CMKRG 账号名检索才能命中；引用主体时写「浙江大学计算机创新技术研究院 CMKRG 团队」，避免把账号形态误当机构法人形态。

误解四：ModelScope 镜像标了 Apache-2.0，可以按宽松许可商用

• 误解：镜像页面标注 Apache-2.0，比 GPL-3.0 宽松，按镜像标注执行省事。
• 实况：官方 GitHub 仓库许可 spdx_id 实抓为 GPL-3.0，是发布方意图最可信的载体；镜像标注出自上传者行为，与官方冲突且不能代表官方意图（坑 2，附录 K）。
• 正确姿势：商用/二次分发前一律按 GPL-3.0 评估开源义务并做法务确认，同时留证两处标注；绝不能把镜像的 Apache-2.0 当作商用依据。

误解五：91.49% 说明它是当前最好的中文医疗模型

• 误解：把 README 评测数字当成 timeless 的性能排名来引用。
• 实况：这组数字的对照物是 2023 年中口径的 ChatGPT，评测集（94 种药品清单）、判分规则、三档口径定义均未公开，且全部出自 README 自述，无第三方复现（坑 5/6）；仓库自 2024-08 起静默，模型知识截止已过时。
• 正确姿势：引用时必须三件事齐全——标注「发布方自述」、标注对照年代（2023 年中）、保留检查点后缀（QiZhen-CaMA-13B-12400）；要论证「微调优于通用」的当代结论，应改用现行第三方基准（如库内 cmb-cmexam(180) 语境）。

1.6 关键数字速查卡（含口径标注）

写引用前先查此卡——每个数字都预置了口径限定语，摘抄时连限定语一起带走：

数字	必带限定语	出处层级
约 1038K 条（560K+180K+298K）	「README 宣称构建口径」	一手（官方 README）
740K	「训练用量口径，与构建口径关系未说明」	一手（官方 README）
20,000 条 / 16,075,123 字节	「公开抽样 sft-20k.json，ModelScope 实抓」	一手+平台实测
1,337 次下载	「sft-20k 镜像下载量，2026-10 核验」	平台实测
780 / 90 / 8（stars/forks/issues）	「GitHub API 实抓，2026-10-04」	平台实测
GPL-3.0	「官方仓库 spdx_id；镜像另标 Apache-2.0 冲突」	平台实测+存照
91.49% / 82.98% / 72.34%	「README 自述；QiZhen-CaMA-13B-12400；94 药品三档；口径定义未公开」	一手自述
47.87% / 30.85% / 15.96%	「同代 ChatGPT（2023 年中口径），README 自述」	一手自述
7×A800 80GB；3500 步 23h50m	「README 训练日志口径」	一手自述
2023-05-08 / 2024-08-09	「仓库创建 / 最后 push，GitHub API 实抓」	平台实测
文献超百万、知识超千万、10 余学科	「启真医学知识库公开材料口径」	机构宣传
20 多分钟→几分钟、>95%、99.5%、10.7 万例	「医院/机构调研报道口径（二级），无同行评审」	机构自述

速查卡的使用规则：表中「出处层级」一列决定数字能被用于什么场合——平台实测数字可用于任何场合；一手自述数字用于描述发布方宣称；机构宣传数字按 §7.5 分级规则使用。

§2 数据构成与规格

2.1 三源构成总表

QiZhenGPT 的指令语料由三条构建线构成，README 给出的官方口径如下：

构建线	规模（README 口径）	原料	生成方式	提供的知识类型
真实医患问答	560K 条	启真医学知识库积累的真实医患对话/在线问诊数据	清洗、抽取	真实临床话语分布、问诊交互模式
药品知识模板	180K 条	药品说明书结构化字段	字段→自然语言指令模板	适应症、用法用量、不良反应等药品知识
疾病知识模板	298K 条	疾病知识条目	条目→自然语言指令模板	病因、症状、诊断、治疗等疾病知识
合计	约 1038K 条	—	—	—

三个比例值得先记住：真实问答占约 54%，药品模板约 17%，疾病模板约 29%。也就是说，超过一半的监督信号来自真实问诊话语，其余近半来自知识库结构化条目的模板化——这个配比决定了 QiZhenGPT 模型「会说话像医生」与「背得出药品知识」两种能力的来源差异。

三源不是同一性质的数据：真实医患问答是「人写的、有噪声的、话语自然的」；两类模板是「机器生成的、干净的、话语模板化的」。混训时模板数据提供密集的知识覆盖，真实数据提供自然分布，这是 2023 年中文医疗 SFT 的典型配方（同期的 Huatuo-26M、ChatMed 等都大量依赖模板/图谱生成语料，见 2.6）。

2.2 真实医患问答线（560K）

README 对这条线的描述是「从启真医学知识库积累的真实医患对话/在线问诊数据中抽取」。可确认的边界有三条：

1. 上游归属：数据属于启真医学知识库体系——浙大计算机创新技术研究院构建的国产化、本土化授权医学知识库，其积累的医患对话来自合作渠道的在线问诊数据。
2. 加工方式：README 用词为「抽取」（配合数据准备脚本入库），即从原始对话中整理成指令三元组，而非人工逐条撰写。
3. 不可确认的部分：具体来源渠道（哪些问诊平台/合作医院）、科室分布、去标识化（de-identification）流程、患者授权机制均未公开披露（待核，见 §10 坑 6 与附录 K）。

这条线的价值在「真实」：模板数据教模型「药品知识长什么样」，真实问答教模型「患者怎么问、医生怎么答」。后者是 2023 年多数纯模板中文医疗数据集（如 ChatMed 的图谱生成线）欠缺的维度，也是 QiZhenGPT 与同期数据集对比时最常被提到的差异化点。

2.3 药品模板线（180K）

药品线把说明书变成对话。原料是药品说明书的结构化字段：药品名称、适应症、用法用量、不良反应、禁忌、相互作用等。构建脚本（仓库 data 目录）把字段值填入自然语言指令模板，生成诸如「请介绍一下某药品的适应症」「某药品的常见不良反应有哪些」类的问答对。

180K 的规模意味着对药品空间的高密度覆盖：按中国批准的化学药品与中成药数万种计，平均每个药品可对应多条不同字段的问答。这条线直接支撑了后文 §4 的药品评测——评测里 QiZhen 系模型对 94 种药品适应症的高匹配率，正是这条线的直接产物。

使用须知：模板化数据的回答风格是「说明书复述」，不具备个体化用药判断能力；把这类数据训出的模型当作用药决策工具是危险的，它更适合被当作「药品知识检索的自然语言接口」。

2.4 疾病模板线（298K）

疾病线与药品线同构：原料是疾病知识条目（启真知识库体系内覆盖 10 余学科的疾病条目），字段包括病因、症状、诊断依据、治疗方案等，模板化为问答对。298K 的规模对应「百余种疾病临床决策路径」知识库资产的展开覆盖。

两条模板线合计 478K，占全集约 46%。它们的存在使 QiZhenGPT 即使在真实问答覆盖稀疏的长尾科室，也能保有基础的知识问答能力——这是「知识库模板化」路线相对「纯真实语料」路线的工程优势。

2.5 sft-20k.json：公开抽样规格

属性	值
文件名	sft-20k.json
样本数	20,000 条（名称口径）
文件大小	16,075,123 字节（约 15.3 MiB，ModelScope 实抓）
格式	JSON，instruction/input/output 风格三元组
分发渠道	ModelScope 镜像 xiaofengalg/qizen-gpt-sample-sft-20k（镜像名 qizen 拼写系原样照录）
下载热度	1,337 次下载（2026-10 核验）
占全集比例	约 2%（20K / 1038K）
许可标注	Apache-2.0（与官方 GPL-3.0 冲突，坑 2）

这份抽样是全数据集唯一可公开验证的部分：研究者可以直接下载检查字段结构、数据风格、清洗质量——但抽样是否随机、是否分层、覆盖哪些科室，README 均未说明。把它当作「数据质量凭据」是合理的，把它当作「全集分布代表」是不成立的。

2.6 中文医疗指令数据集对比：QiZhenGPT 的位置

把 QiZhenGPT 放进 2023-2024 年中文医疗 SFT 数据集的横向对比（规模数字均为各自官方口径，不可直接互比质量）：

数据集	宣称规模	构成路线	真实对话	获取方式	收录 rid
QiZhenGPT	约 1038K	知识库三线（真实问答+药品/疾病模板）	有（560K）	百度网盘+20K 抽样公开	824/823 邻域（本条目）
Huatuo-26M（华佗）	26M+	图谱/文献大规模模板生成	少	公开下载	huatuo-26m(823)
Disc-Med-SFT	约 470K	真实问诊+GPT 重写	有	公开下载	disc-med-sft(824)
ChatMed	约 500K+	知识图谱模板生成	无	公开下载	—
MedicalGPT 系列	数十万级	混合爬取+生成	部分	公开下载	—

三个观察：

1. 规模上 QiZhenGPT 居中：远小于 Huatuo-26M 的千万级模板轰炸，大于 Disc-Med-SFT 的数十万级；其 560K 真实问答在 2023 年 5 月的发布时点上属于中文医疗 SFT 数据集里真实对话占比最高的配置之一。
2. 构建哲学不同：Huatuo-26M 走「模板规模换覆盖」，QiZhenGPT 走「知识库质量换密度」——后者上游是一个受控授权的知识库而非开放爬取语料。
3. 可得性普遍是软肋：表中没有一个数据集做到「完整规模+公开直链+宽松许可」三全，QiZhenGPT 的「20K 抽样公开」策略在同类中反而算交代清楚的。

2.7 双口径：1038K 与 740K

README 材料中存在两个总量口径：构建口径 560K+180K+298K≈1038K（数据集宣称规模），训练口径 740K（训练配置描述中出现）。两者关系未说明，可能的解释包括：740K 为去重/过滤后的实际训练用量、为某一阶段训练的子集、或为不同截止时点的统计。本条目成稿以 1038K 为「数据集宣称规模」、740K 为「训练用量口径」分别记录，不作调和（坑 4；待核 1）。

对使用者的含义：引用规模时必须写清口径——「宣称构建约 1038K 条」「公开材料另有 740K 训练用量口径」，二者混用会造成引用链上的数字漂移。

2.8 拿到 sft-20k.json 之后的十步检视清单

sft-20k.json 是全数据集唯一可公开验证的部分，也是使用者做「自行尽调」的全部依据。以下十步检视清单按「先结构、后内容、再风险」排序，每步给出检查点与不合格时的含义。加载骨架代码见附录 E。

结构层（第 1-4 步）：

1. 样本计数核对：载入后核对样本总数是否确为 20,000 条——名称口径与实际条数一致是发布方数据卫生的基本信号。
2. 字段完整性：检查 instruction/input/output 三字段是否在全部样本中齐备（而非仅前若干条齐备）；字段缺失率高于 1% 即应警惕清洗流程的质量。
3. 字段语义分布：统计 input 字段的空置率——指令三元组家族中 input 常作为可选上下文，全空属正常，但若大量样本把答案塞进 input 而非 output，说明序列化有缺陷。
4. 重复检测：对 instruction 字段做精确重复与高相似重复（编辑距离或哈希近邻）两级检测；模板线的天然属性是同模板多填充，需区分「模板复用」与「无效重复」，并据此估计 1038K 全集中有效样本的下限。

内容层（第 5-8 步）：

5. 来源线判别：抽样逐条判别样本属于哪条构建线（真实问答/药品模板/疾病模板）——模板线样本的问句结构高度规整、答案呈说明书语体，真实线样本话语自然、含口语化表达；实测三线占比与 README 宣称配比（54%/17%/29%）的偏离度。
6. 药品线抽查：随机抽 20 条药品模板样本，对照国家药品监督管理局说明书口径核对适应症与用法用量的准确性——这是对启真知识库质量的直接抽检。
7. 疾病线抽查：同法抽 20 条疾病模板样本，核对病因/症状/治疗描述与现行临床共识的一致性；注意 2023 年固化的知识可能已过时。
8. 真实线脱敏抽查：对真实问答样本做姓名、电话、医院名、身份证号等 PII（个人身份信息）模式匹配——这是全数据集脱敏质量唯一的自查途径（官方未披露去标识化方案，坑 6 关联）。

风险层（第 9-10 步）：

9. 许可合规自查记录：下载与检视的同时留证镜像页的 Apache-2.0 标注与官方 GPL-3.0 声明（附录 K）——任何后续使用决策都应建立在这份留证之上。
10. 代表性边界记录：把「抽样是否随机/分层未公开」写入你的使用笔记——20K 样本上的任何统计结论只代表抽样本身，外推到 1038K 全集需声明不确定性。

十步做完的产出是一份「抽样尽调记录」：它不能替代全集质检，但能把使用者从「转述 README」升级为「持有第一手证据」——这正是 QiZhenGPT 这类低可得性数据集上，研究者为数不多能掌握的主动权。

2.9 模板生成语料的方法学定位

QiZhenGPT 的两条模板线（药品 180K + 疾病 298K）在方法学上属于「结构化知识→自然语言指令」的模板生成路线。给这条路线一个准确的定位，有助于区分它和两类容易混淆的近亲：

与知识图谱生成路线的区分（如 Huatuo-26M 的图谱线）：图谱生成以三元组（实体-关系-实体）为原料，模板负责把三元组展开成句子——覆盖面由图谱规模决定，单条样本的知识粒度是「一个关系」；QiZhenGPT 的模板线以说明书/疾病条目为原料，单条样本的知识粒度是「一个字段块」（如完整的适应症列表、完整的治疗方案），粒度更粗但自包含性更强。前者适合铺覆盖面，后者适合建知识密度。

与 LLM 重写路线的区分（如 Disc-Med-SFT 的 GPT 重写线）：重写路线让大模型把结构化输入改写成多样话语——多样性高但每次重写都引入模型幻觉风险；模板路线的文本由确定性的填充逻辑生成，零幻觉但句式单一。QiZhenGPT 选择模板而非重写，在 2023 年 5 月（高质量中文指令模型稀缺的时点）是更稳的工程决策——今天有可靠的重写模型后，新一代数据集普遍转向「模板打底+重写增多样」的混合法。

模板路线的固有边界：无论填充逻辑多干净，模板线的知识边界被原料锁死——说明书没写的适应症不会出现，条目未覆盖的疾病不会出现。这解释了 §4.2 里「72.34% 之外的 27.7% 不及格尾巴」：评测药品中模板覆盖不完整的部分，模型只能靠真实线与基座残存知识兜底。

2.10 为什么「公开抽样」恰好是 20K

sft-20k.json 的 20,000 条规模（约宣称总量的 2%）是一个值得推敲的数字。官方未解释选样逻辑，但从工程合理性看，20K 落在三个约束的交点上：

1. 够小：16,075,123 字节（约 15.3 MiB）在 2023 年的网盘与镜像分发环境下即时可下，普通研究者无门槛获取；
2. 够用：20K 样本足以支撑字段结构检视、风格判读、小规模 LoRA 实验——低于这个量级，「可验证」的价值会明显衰减；
3. 够安全：抽样体量小到不足以从公开部分拼出接近全量的替代品——对于完整版有商业化或合规考量的团队，这是一个控制暴露面的自然选择。

这一推断属方法学分析而非官方口径（官方未公开抽样策略）：使用者在引用「约 2%」时，只陈述比例事实，不推断发布动机。

§3 数据构建：从知识库到指令语料

3.1 上游：启真医学知识库

理解 QiZhenGPT 的数据质量，先要理解它的上游。启真医学知识库（启真之名取自浙大校训「求是创新」意象与启真湖）是浙江大学计算机创新技术研究院构建的医学知识工程底座，公开材料给出的规模与特征：

维度	口径
文献覆盖	超百万份医学文献
知识体量	术语/实体/关系超千万条
临床路径	百余种疾病的临床决策路径
学科覆盖	10 余个学科（肝胆外科、内分泌、精神、病理、心血管、生殖、血管外科、护理等）
定位	国产化、本土化授权的医学知识库（强调数据来源合规与本土术语体系）

对数据集构建而言，这个上游提供了三样东西：原料（医患对话、药品说明书、疾病条目）、结构（术语/实体/关系的规范化体系）、授权（本土化授权意味着对话数据的商用合规链条在院内可查——尽管对外未披露细节）。

3.2 三条构建线的工程还原

仓库 data 目录与 README 可还原出的工程流程（细节以脚本为准，此处为文档口径）：

1. 真实问答线：原始医患对话 → 清洗（去噪、脱敏）→ 对话轮次整理为问答对 → 指令三元组序列化。README 的训练数据配置引用了该线产出。
2. 药品模板线：说明书结构化字段 → 字段→问句模板映射（如「适应症」→「某药品适用于哪些情况？」）→ 字段值填充 → 答案序列化。生成即清洗：模板保证格式一致。
3. 疾病模板线：疾病条目字段 → 问句模板映射（如「治疗方案」→「某疾病如何治疗？」）→ 填充 → 序列化。

三条线共享同一个输出格式（instruction/input/output JSON），这是后续能够直接套用 LoRA/SFT 训练脚本的前提，也是 AI-Ready 视角下做得对的地方：数据从构建第一天就是「可训练格式」而非「人类阅读格式」。

3.3 质控与去标识化的公开信息边界

公开材料里没有的内容同样重要：系统性人工质检流程（抽样复标、一致率指标）、真实问答线的去标识化（de-identification）技术方案、患者授权与伦理审查声明、模板线的错误率估计——这些在 README 与后续报道中均未出现。对比同期国际数据集（如 MedDialog 披露来源平台、PMC-Patients 披露纳入排除标准），QiZhenGPT 的构建文档属于「结果可查、过程黑箱」型（待核 3/4，坑 6 关联）。

使用者的合理姿势：把 sft-20k.json 抽样当作质控的唯一直接证据自行抽检（字段完整率、答案与说明书/条目的一致性、对话脱敏痕迹），而不是假设发布方已完成质检。

3.4 构建时间线与版本演进

时点	事件	依据
2023-05-08	GitHub 账号 CMKRG 注册；QiZhenGPT 仓库同日创建（08:02:14Z）	GitHub API 实抓
2023-05-23	仓库 init 提交：数据准备/训练脚本入库	GitHub 提交历史
2023 下半年	模型权重与数据陆续经百度网盘/ModelScope 分发	README 与镜像时间线
2024-08-09	最后一次 push（07:07:36Z），仓库转入静默	GitHub API 实抓
2025-04	后续演进的启真医学大模型入选国家高等教育智慧教育平台 2.0 智能版 13 个学科大模型（唯一医学方向）	媒体报道（toutiao 文章号 7491839159489888768）
2026-03	中国疾控中心慢病中心等机构赴浙大计创院调研启真医学知识库	ncncd.chinacdc.cn 报道

时间线读法：2023-05 的 init 到 2024-08 的最后 push 之间，仓库主要工作是分发渠道的增补与文档修订，而非数据规模迭代——1038K 的宣称规模自发布起基本未变。真正的迭代发生在仓库之外的产业线（§7.1）。

3.5 与同期构建范式的对照

2023 年中文医疗 SFT 数据集的三种范式：

范式	代表	原料	优点	缺点
知识库模板化	QiZhenGPT（两条模板线）	受控知识库条目	知识密度高、格式干净、可追溯	模板腔、知识边界受库限制
图谱轰炸	Huatuo-26M、ChatMed	开放知识图谱	规模极大	噪声随规模放大
真实对话重写	Disc-Med-SFT	在线问诊+LLM 重写	话语自然	重写引入模型偏见

QiZhenGPT 是三者中唯一「三线并举」的：一条真实线+两条模板线。这个配比后来成为中文医疗数据集的主流配方——2024 年后发布的同类数据集大多同时包含真实问答与知识模板两类来源，QiZhenGPT 在 2023 年 5 月已给出完整实例。

3.6 学科覆盖的公开信息边界

README 与启真知识库公开材料列出的学科覆盖为「10 余学科」，并给出部分例举：肝胆外科、内分泌、精神、病理、心血管、生殖、血管外科、护理等。这条清单的边界需要说清：

已知	未知
学科数量级：10 余个	完整学科清单（例举之外还有哪些）
例举学科：外科/内科/精神/病理/护理等 8 个方向	各学科样本配比（560K 真实线与 298K 疾病线在学科间的分布）
覆盖方式：疾病条目+临床决策路径+医患对话	各学科的模板条目数与对话量级

对使用者的实际影响有三条：

1. 长尾科室风险：若你的目标场景落在例举学科之外（如皮肤科、眼科的深度问答），无法从公开信息判断覆盖深度，唯一办法是用 sft-20k 抽样按科室关键词做命中测试；
2. 评测外推边界：94 药品评测的药品清单未公开，其学科构成未知，不能据此推断任一学科的知识注入质量；
3. 配比假设禁忌：54%/17%/29% 是全集口径，不等于任一学科内部也维持这个配比——把全集配比套用到单科室任务是常见的二次误用。

3.7 三线构建的工程成本推演

从公开材料可对三条构建线的工程量做量级推演（以下为方法学讨论，非官方数字）：

• 药品模板线（180K）：若按每药品 10-20 条模板问答估算，对应 1-2 万种药品的说明书结构化——工作量主要在说明书字段的抽取与对齐，属「一次性投入、模板复利」型；
• 疾病模板线（298K）：对应启真库「百余种疾病临床决策路径」的展开，按每疾病数十至上百条问答估算，单疾病知识深度显著高于药品线；
• 真实问答线（560K）：对话的清洗与脱敏是三线中人力与合规成本最高的一条——每条样本都涉及真实患者话语，脱敏失误的代价不可逆；这条线的 560K 体量暗示启真知识库在发布前已积累了数年量级的问诊数据资产。

这个推演解释了为什么 QiZhenGPT 的三条线不可互换：模板线可以复制（任何机构有说明书/指南就能做），真实线无法速成（数据资产需要长期积累）——后者才是 QiZhenGPT 相对纯模板数据集真正的护城河，也是它未公开来源渠道（待核 4）最令人惋惜的地方。

3.8 三线配比对训练动力学的影响（分析性推演）

54% 真实问答 + 17% 药品模板 + 29% 疾病模板的配比，在训练动力学层面可以做出若干推断（以下为方法学分析，非官方实验结论）：

1. 损失主导项：模板线的答案高度规整（说明书语体、条目语体），语言建模损失低、易拟合；真实问答的话语多样性高，是训练后期损失的主要贡献者。若训练在模板线拟合充分后早停，模型会先「背熟药品/疾病知识」再「学会好好说话」——这与 §4 评测里「药品知识高分、主观样例差距较小」的结果分布方向一致；
2. 梯度冲突风险：同一 batch 内混入三线样本时，模板线的确定性答案与真实线的多样话语对同一基座产生不同方向的更新压力。740K 训练口径（若为过滤后子集）暗示官方可能做过某种分布调整——但具体混训策略未公开（待核 3），此处的推断无法验证；
3. 对复现者的提示：复现 QiZhenGPT 风格的模型时，配比是比总量更敏感的变量——用 20K 抽样做小实验时，应先统计抽样内三线占比，再决定是否按全集配比加权采样，而不是默认抽样即均匀。

把配比当作「配方」而非「统计结果」来读，是使用这套数据的方法论起点——这也是本条目把三条构建线拆成独立小节（§2.2-2.4）而非合并叙述的原因。

§4 评测：94 种药品上的三档口径

4.1 评测设置

README 公布的定量评测只有一组：药品适应症问答评测。设置要素：

• 评测对象：QiZhen-CaMA-13B-12400（CaMA-13B 基座微调 12400 步的检查点）与 ChatGPT（2023 年中口径的同代通用模型）；
• 评测集：94 种药品，逐药品考察模型对适应症知识的掌握；
• 匹配口径：三档，由严到宽（最严口径要求回答与说明书适应症高度吻合，次之要求覆盖主要适应症，最宽口径允许部分匹配）。

必须先说清的一个事实：三档口径的精确定义、94 种药品的清单、判分规则（人工判读还是关键词匹配）在 README 中均未公开。本条目按「严格/主要覆盖/宽松匹配」表述三档口径，这是对 README 原意最保守的转述，非官方定义（待核 2，坑 6）。

4.2 结果总表

模型	最严匹配	主要覆盖	宽松匹配
QiZhen-CaMA-13B-12400	91.49%	82.98%	72.34%
ChatGPT（同代口径）	47.87%	30.85%	15.96%
差距	+43.62 pp	+52.13 pp	+56.38 pp

三行读法：

1. 方向一致性：三档口径下 QiZhenGPT 全面领先，且口径越宽差距越大——说明 ChatGPT 的失败不是「答得不完整」而是「答偏/答错」，微调模型则在知识密度上整体占优。
2. 72.34% 的含义：即使在最宽口径下，微调模型也有约 27.7% 的药品适应症回答不达标——知识库模板线的覆盖并非无死角，这个「不及格尾巴」与 §2.3 说的模板覆盖局限互为印证。
3. 15.96% 的含义：同代 ChatGPT 在最宽口径下六分之五的药品答不对，这是「通用大模型中文医学知识短板」在 2023 年中最直观的单项证据——也是 QiZhenGPT 论文级引用价值的核心。

4.3 统计卫生：读这组数字的四条守则

1. 自述属性：全部数字出自仓库 README 自述，无同行评审、无第三方盲评、无评测脚本与评测集公开——它们应被引用为「发布方宣称的评测结果」，而非「经过验证的评测结果」（坑 6）。
2. 对照物年代：ChatGPT 对照口径是 2023 年中；今天引用这组数字说明的是历史基线，不能推论当前任何模型间的优劣。
3. 单任务外推禁忌：药品适应症是模板线覆盖最密的领域（180K 药品模板直接对应），该任务的优势不能外推到诊断推理、多轮问诊等真实线覆盖的任务——README 的主观样例显示后者差距远小于前者。
4. 检查点敏感性：QiZhen-CaMA-13B-12400 的「12400」是训练步数（step），不同 step 检查点的能力不同；引用时保留 step 后缀，避免与未标 step 的同系列权重混淆（坑 9）。

4.4 第三方语境与佐证

QiZhenGPT 无官方论文，但其评测结论方向在第三方材料中有多重呼应：

• 2025 年的第三方中文医疗 LLM 综述文献（arXiv 2502.20988 等）在梳理中文医疗模型谱系时引用 QiZhenGPT 作为早期开源代表，转述其评测结论；
• 同期与后续的中文医学考试评测（如 CMB、CMExam 体系，库内条目 cmb-cmexam(180)）反复呈现同一模式：在中文医学知识密集型任务上，知识库增强/微调模型显著优于同代通用模型；
• 启真团队后续对外宣传（MedCopilot 正确率 >95% 等）延续了「知识库+微调优于通用模型」的技术叙事（§7）。

这些呼应提升的是结论方向的可信度，而非具体数字的可信度——94 药品三档数字仍应按 4.3 守则 1 引用。

4.4b 评测信息完整性的逐项清点

把评测设置拆成七个信息项逐项清点，可以精确定位这组数字「不可复现」的具体位置（而非笼统地说「不透明」）：

信息项	是否公开	影响
评测任务（药品适应症问答）	✅ 公开	任务方向可确认
评测对象（QiZhen-CaMA-13B-12400 vs ChatGPT）	✅ 公开	对照结构可确认，但 ChatGPT 具体版本未注明
评测集规模（94 种药品）	✅ 公开	仅规模，无清单
药品清单	❌ 未公开	无法复核任一药品的判分
三档口径定义	❌ 未公开	数字语义依赖转述（待核 2）
判分规则（人工/关键词/模型判）	❌ 未公开	判分主观性无法评估
评测脚本/输出记录	❌ 未公开	完全不可复现

清点结论：七项中公开三项、缺失四项，且缺失的四项恰好构成复现链的全部后端。这个「前端可见、后端黑箱」的分布，比「完全不透明」更值得警惕——它让数字看起来可讨论，实际上不可复核。引用任何「部分公开」的评测时，做一次这样的逐项清点，比引用任何单个结论都有价值。

4.5 评测数字的三种引用场景模板

按 4.3 的守则落到写作实践，三种常见引用场景各给出一个可直接套用的表述模板：

场景一：综述文献中的历史谱系叙述

「2023 年 5 月，浙江大学 CMKRG 团队发布 QiZhenGPT，其 README 自述的药品适应症评测显示，QiZhen-CaMA-13B-12400 在最严口径下达 91.49%，显著高于同代 ChatGPT 的 47.87%（发布方自述口径，评测集与判分规则未公开）。」

要点：时间锚点（2023 年 5 月）+ 自述属性声明 + 口径未公开提示，三件套缺一不可。

场景二：技术报告中的动机论证

「通用大模型在中文药品知识上的短板已有早期实证：QiZhenGPT 发布方 2023 年的自述评测中，同代 ChatGPT 在 94 种药品适应症的最宽匹配口径下仅得 15.96%。」

要点：用最宽口径的 ChatGPT 低分做动机论证时，强调「自述评测」与年代；不要单独引用 91.49%（微调侧高分）为自己的模型背书——那是人家的数字。

场景三：数据集教学中的反面案例

「QiZhenGPT 的评测是『无评测集、无判分脚本、无论文』的三无自述——数字本身无法复现，这使它成为讲授评测可验证性时的标准反面案例；但结论方向被后续第三方评测反复支持，又使它不至于被全盘否定。」

要点：反面案例场景下同样要给出「方向被支持」的对冲事实，避免单向呈现。

三种场景的共同底线：任何场景下都不得把 91.49%/72.34% 等数字写成不带限定语的裸数字——限定语（自述、2023 年、口径未公开）是数字引用完整性的一部分。

§5 模型家族与训练

5.1 三基座对照

模型	基座	基座特点	参数量	分发渠道
QiZhen-LLaMA-7B	Chinese-LLaMA-Plus-7B	LLaMA 中文词表扩展+中文增量预训练版本	7B	百度网盘/ModelScope
QiZhen-Alpaca-7B	Chinese-Alpaca-Plus-7B	Chinese-LLaMA-Plus 经指令微调的版本	7B	百度网盘/ModelScope
QiZhen-CaMA-13B	CaMA-13B	中英双语、医学语料续训的 13B 基座	13B	百度网盘/ModelScope

三个基座本身都是「中文增强」谱系：QiZhenGPT 团队没有从 LLaMA 原版起步，而是直接选用已经过中文词表扩展与中文预训练的社区基座——这使 SFT 阶段可以把全部预算花在医学知识注入上，而不是补中文语言能力。这个选型在 2023 年是效率意识相当强的做法。

5.2 训练配置

项目	口径	来源
硬件	7×A800 80GB	README
训练方式	指令微调（SFT，监督微调）	README（LoRA/全参的精确设定待核）
代表性时长	Chinese-LLaMA-Plus-7B 3500 步耗时 23h50m	README 训练日志口径
数据用量	740K（训练口径，与 1038K 构建口径并存）	README（关系待核，坑 4）
框架	Chinese-LLaMA 系社区训练栈（transformers 生态）	仓库脚本

「7 卡 A800」这个配置本身就是信息：2023 年 5 月，一个高校团队以个位数 A800 完成三个 7B/13B 级别的 SFT，说明训练侧的门槛已被社区基座+LoRA/轻量 SFT 生态显著拉低——QiZhenGPT 的可复现性讨论（§8.3）有一半建立在这个配置上。

5.3 权重命名规则与版本意识

权重文件名中的数字后缀（如 -12400）是训练步数。这个命名习惯带来两个实际影响：

1. 可追溯的正例：看到 -12400 就知道是 12400 步检查点，README 评测也明确绑定该检查点——比许多只发「final」的仓库规范；
2. 检索陷阱：搜索引擎与模型托管站上「QiZhen-CaMA-13B」与「QiZhen-CaMA-13B-12400」会被当作不同条目索引，跨站引用时数字后缀丢失会造成版本漂移（坑 9）。

5.4 训练方式的公开信息边界

README 明确「SFT/指令微调」定性，但 LoRA 还是全参微调、learning rate、batch 组成、train/val 切分比例等超参数，公开文档未成体系披露（待核 3）。仓库脚本可作为部分超参数的推断来源，但脚本与实际运行的配置是否一致无从验证——这与 §3.3 的「过程黑箱」是同一类边界。

5.5 三模型的选型对照与使用定位

对想实际取用权重的使用者，三模型按用途的定位对照：

你的用途	更合适的选择	理由
中文药品知识问答/检索接口	QiZhen-CaMA-13B-12400	评测绑定检查点，13B 基座知识容量最大
资源受限环境的医疗对话原型	QiZhen-LLaMA-7B	7B 推理门槛低，真实问答线的对话风格保留较好
对话产品形态的原型	QiZhen-Alpaca-7B	Alpaca 基座经指令对话微调，遵循指令的表现更稳定
学术复现/考古	任一型+保留 step 后缀	复现必须绑定检查点，否则不可比

三条使用边界同样适用于全部三型：

1. 知识截止：训练数据固化于 2023 年，2023 年后批准的药品、更新的诊疗指南均不在知识范围内——任何「最新用药」类问题都是它的答案盲区；
2. 非临床决策工具：模板线的说明书复述属性（§2.3）决定了它没有个体化用药判断能力，接入任何患者触达场景都超出设计边界；
3. 静默维护：2024-08 后无更新、无 issue 修复承诺，生产部署的缺陷只能自行维护——这与其说是一个可部署模型，不如说是一份可运行的历史档案。

5.6 与同期中文医疗模型的横向定位

把 QiZhenGPT 三模型放回 2023 年的中文医疗开源模型坐标系（定位描述基于各项目官方公开口径，不构成性能排名）：

定位轴	QiZhenGPT 系	同期典型	差异点
数据-模型关系	自建数据+自训模型一体发布	Huatuo 系（数据与模型分期）	QiZhenGPT 的评测与其数据的构建线直接对应，证据链更短
基座策略	全部选用中文增强基座（Chinese-LLaMA 系/CaMA）	部分同期项目从 LLaMA 原版起步	QiZhenGPT 把训练预算全部花在医学知识注入
评测披露	单任务自述（94 药品）	部分同期项目接入公开基准	QiZhenGPT 未提供公开基准分数，可比性弱
分发形态	网盘+镜像，无版本化发布	同期主流逐步转向 HF 官方 repo	QiZhenGPT 的分发结构可持续性弱（坑 3/7）

定位结论：QiZhenGPT 的独特价值在「数据构建线与评测的对应关系」（药品模板线→药品评测），短板在「评测可比性与分发现代化」。前者使它成为构建方法学的参照，后者使它成为工程史上的过渡形态——2023 下半年之后发布的中文医疗模型普遍吸收了这两方面的教训。

§6 获取与许可：一份数据三种门

6.1 三层资产、三种门

资产	获取方式	许可	可得性评级
代码+文档（数据准备/训练/评测脚本）	GitHub 公开直链	GPL-3.0	即时可得
sft-20k.json 抽样（20,000 条）	ModelScope 镜像公开	镜像标 Apache-2.0（冲突）	即时可得
完整数据（约 1038K）与三模型权重	README 百度网盘链接（提取码制）	GPL-3.0（官方口径）	链接时效未核，需自行验证
技术论文	—	—	不存在（坑 5）

实操路径建议（按需求选门）：

1. 只想看数据长什么样：直接下 ModelScope 的 sft-20k.json，五分钟内可检视字段与风格——这是唯一不依赖第三方网盘的完整体验路径。
2. 要完整数据做训练：从 README 取百度网盘链接（提取码制）。风险三连：链接可能失效（2024-08 后仓库静默）、下载无校验和（无法验证完整性）、分发许可为 GPL-3.0（训练产物的开源义务要认真评估，坑 2）。
3. 要模型权重做推理：同走百度网盘/ModelScope；ModelScope 上的权重镜像同样存在许可标注与官方口径的对照问题。

6.2 许可冲突：一张表说清

分发点	标注许可	与官方关系
GitHub 官方仓库	GPL-3.0	基准口径（API license spdx_id 实抓）
ModelScope 抽样镜像（xiaofengalg）	Apache-2.0	与官方冲突
ModelScope 权重镜像	Apache-2.0 标注	与官方冲突

冲突的可能解释：镜像上传者（xiaofengalg 等）按 ModelScope 默认或自选许可标注，未必代表官方意图；也可能存在团队内部口径不一。本条目处理原则：以官方 GitHub 的 GPL-3.0 为准，镜像标注作为存照记录（存照 2，细读见附录 K）。

对使用者的硬约束：GPL-3.0 是强 Copyleft 许可。若你的产品分发了基于 QiZhenGPT 数据训练的模型权重或其衍生服务对应的代码，GPL-3.0 的开源义务可能被触发——商用前的法务确认不可省略，不能因为某个镜像标了 Apache-2.0 就按宽松许可处理。

6.3 AI-Ready 评估

按 AI-Ready（数据可直接进入机器学习流程）的五要素逐项评估：

要素	状态	说明
机器可读格式	✅ 达标	JSON 指令三元组，构建即训练格式
文档完备性	⚠️ 部分	README 有构成表与训练说明；构建细节、质控、口径定义缺失
公开直链	❌ 大部分不达标	完整数据无直链，仅 20K 抽样公开（约 2%）
许可明确性	⚠️ 冲突	官方 GPL-3.0 明确但与镜像标注冲突
持久可获取	⚠️ 风险	仓库静默（2024-08 起），网盘链接时效未核

综合：QiZhenGPT 的 AI-Ready 得分呈「格式优、可得性差」的畸形分布——它教会后来者的重要一课是：AI-Ready 不只是格式问题，分发渠道的可持续性同样是 AI-Ready 的一部分。20K 抽样公开是这篇答卷上最亮的一笔：它至少保证了一个可验证、可引用、可复现的最小核心。

6.4 与库内可获取性光谱的对照

在库内中文医疗数据集的可获取性光谱上（从「完整公开直链」到「仅存目」），QiZhenGPT 位于中段偏「存目」一侧：

• 比「完全无公开物料」的数据集强：有代码、文档、20K 抽样三重公开物料；
• 比 Disc-Med-SFT(824)、Huatuo-26M(823) 这类全量公开直链的数据集弱：完整 1038K 悬在网盘上；
• 其「官方仓库+官方抽样镜像+网盘全量」三层结构在库内是独立一档——检索者应按层取用，不要用「能不能下载」一个布尔值概括它。

6.5 仓库资产盘点

按 GitHub 仓库公开结构盘点官方资产（2026-10 核验口径）：

资产类别	内容	状态
代码	数据准备脚本、训练脚本、评测脚本（Python，仓库主语言）	公开直链，GPL-3.0
文档	README（中文为主）：数据构成表、训练说明、评测表、下载入口	公开直链
数据抽样	sft-20k.json（经 ModelScope 镜像分发，非仓库内文件）	公开直链
全量数据	约 1038K 指令样本	百度网盘（提取码制），时效未核
模型权重	QiZhen-LLaMA-7B / QiZhen-Alpaca-7B / QiZhen-CaMA-13B（带 step 后缀检查点）	百度网盘 + ModelScope 镜像
论文	无	README 称 coming soon 未兑现（坑 5）
版本发布	无 GitHub Releases / tags 版本化发布	负例：无版本快照
社区通道	Issues 开放（open_issues 8）	2024-08 后无维护响应

两点盘点观察：

1. has_downloads=false、无 Releases：仓库未启用 GitHub 下载与版本发布功能，意味着大文件从未走 Git 生态分发——这与「网盘为主」的分发策略一致，也解释了为什么没有官方校验和（§6.1 风险三连之一）；
2. topics 标签的检索面：官方 topics 含 alpaca / chatgpt / chinese-medical / disease / gpt / llama / llm / medicine 八个——注意其中 chatgpt 只是对照语境，按 topic 检索时不要被误导（呼应误解一）。

6.6 网盘链接的验证方法与失效预案

走百度网盘这条门前，先按以下顺序验证链接（README 链接时效未核是本条目的明确声明，坑 3）：

1. 链接活性：从 README 取链接后先以最小成本验证——不下载全量，先看分享页是否存在、文件列表是否与 README 描述的资产结构一致；
2. 交叉比对：把分享页的文件名/目录结构与 README 资产表（§6.5 盘点）逐项对照，缺失项记入你的尽调笔记；
3. 抽样完整性：下载后对最大文件做抽样读检（首尾可读、JSON 可解析）——无官方校验和的情况下，任何完整性声明都只能靠自行抽检支撑；
4. 留证：记录验证日期、文件清单与抽检结果——这是你向协作者/审稿人证明「我拿到过什么」的唯一依据。

失效预案：若链接已失效，不存在官方替代渠道（坑 7）——此时该数据集在事实层面退回「存目」状态，你的选项依次是：(a) 检查 ModelScope 镜像是否有你需要的部分（抽样/权重）；(b) 检查 fork 网络中是否有附带数据的镜像 fork（注意 fork 的许可与时效同样无担保）；© 改用库内全量公开的替代品 disc-med-sft(824) / huatuo-26m(823)，并在引用中注明改用原因。

§7 生态与影响：从仓库到医院

7.1 技术演进链：QiZhenGPT 的三个阶段

阶段	时间	形态	关键事实
开源起点	2023-05 起	QiZhenGPT（LLaMA 系基座+SFT）	GitHub 780 stars；数据/权重网盘分发
产业化演进	2024-2025	启真医学大模型（自研底座，深度对接启真知识库）	2025-04 入选国家高等教育智慧教育平台 2.0 智能版 13 个学科大模型，唯一医学方向
临床落地	2024-2026	MedCopilot（浙大二院）/ APTS	出院小结书写 20 多分钟→几分钟，正确率 >95%；APTS 日解析近 3 万份病历，高风险识别敏感性 99.5%，截至 2026-08 累计识别 10.7 万例

演进链的读法：QiZhenGPT 开源仓库在 2024-08 后静默，但技术路线没有死——它被吸收进启真医学大模型的产业化版本。三阶段共享同一个上游（启真医学知识库）与同一个团队谱系（浙大计创院），开源仓库的角色从「产品」变成了「技术存在的证明」。

MedCopilot 的数字值得单独看：出院小结书写从 20 多分钟压缩到几分钟，不是「快了百分之几」而是「数量级压缩」；正确率 >95% 的口径来自医院侧落地报道。APTS（辅助诊疗系统）日解析近 3 万份病历、高风险患者识别敏感性 99.5%、截至 2026-08 累计识别 10.7 万例——这些数字使 QiZhenGPT 成为库内少数「数据集→临床系统全链条可追溯」的条目。

7.2 权威背书与产业合作

• 国家平台入选（2025-04）：启真医学大模型入选国家高等教育智慧教育平台 2.0 智能版的 13 个学科大模型，且是其中唯一的医学方向——这是中国教育体系层面对该技术路线的正式背书。
• 疾控系统关注（2026-03）：中国疾控中心慢病中心等机构赴浙大计创院调研启真医学知识库，公共卫生系统开始评估该知识库体系的应用价值。
• 产业合作：创业慧康（BsoftGPT 平台，陈中阳团队）与启真医学大模型合作医疗信息化产品——医疗 IT 头部厂商把启真模型接入其医院信息系统产品线，属企业调研公告与媒体报道交叉确认的口径。

7.3 对中文医疗 LLM 生态的意义

回看 2023 年 5 月的发布时点，QiZhenGPT 占了三个「早」：

1. 最早一批中文医疗开源 SFT 完整方案：数据构建+训练脚本+权重分发一体给出，比多数只放数据的同期项目完整；
2. 最早用硬数字展示「微调 vs 通用」鸿沟的中文项目之一：91.49% vs 47.87% 的最严口径对比在 2023 年被广泛转引；
3. 最早跑通「知识库→指令数据→领域模型→临床产品」全链条的国内团队之一：这个范式后来成为中国医疗 AI 产业化的主流叙事。

它的局限性同样有教学价值：无论文、全自述评测、数据不可完整获取——这三件事让它在 2024 年后逐渐被 Disc-Med-SFT、Huatuo-26M 等更「可验证」的条目在学术引用中超越。一个数据集的影响力上限，最终由其可验证性决定，而不是由其宣称规模决定——这是 QiZhenGPT 留给整个领域的反面注脚，也是 AI-Ready Wikipedia 收录它的核心理由。

7.4 传播时间线：从 GitHub 到国家平台

把 §3.4 的仓库时间线与 §7.1 的产业演进合并，可以得到一条完整的传播弧线：

阶段	时段	传播主阵地	关键信号
开源发布	2023-05 起	GitHub + 技术社区	780 stars 的社区关注；91.49% vs 47.87% 数字被技术自媒体广泛转引
渠道扩张	2023 下半年	百度网盘 + ModelScope	权重与数据镜像上架，ModelScope 抽样镜像成为事实入口
静默维持	2024-08 后	—	仓库最后 push，官方传播停摆
产业叙事接管	2024-2025	媒体报道 + 机构调研	传播主体从开源社区转为医院/媒体/政府调研，「QiZhenGPT」之名逐渐让位于「启真医学大模型」
体系背书	2025-04 起	国家高等教育智慧教育平台	唯一医学学科大模型入选，技术路线获得教育体系层面的正式认可
公共部门关注	2026-03 起	疾控系统调研	公共卫生机构开始评估启真知识库的应用价值

这条弧线的方法论含义：开源仓库的静默不等于技术路线的死亡——QiZhenGPT 的品牌在 2024 年后淡出，但其技术叙事（知识库+微调优于通用模型）由产业版本接管并持续升值。追踪这类「双名一实」的项目，必须同时盯仓库与团队两条线。

7.5 落地数字的口径分级

§7.1 引用的落地数字可信度并不均质，按口径来源分三级：

级别	数字	口径性质
一级（可独立核验）	仓库 stars 780 / forks 90；sft-20k 下载 1,337	平台侧计数，可直接复抓
二级（机构自述）	出院小结 20 多分钟→几分钟；正确率 >95%；APTS 日解析近 3 万份、敏感性 99.5%、累计 10.7 万例	医院侧/机构调研报道，无同行评审
三级（媒体转述）	国家平台入选细节；创业慧康合作细节	媒体报道与企业公告交叉，原始公告未逐条核验

使用规则：学术引用只使用一级口径数字；二级口径数字可用于产业分析但必须标注「机构自述」；三级口径数字只作背景叙述，不做定量引用。把三个级别混在同一句话里引用，是这类「开源起点+产业落地」条目最常见的数字污染形式。

7.6 在 AI-Ready Wikipedia 中文医疗版图中的位置

把本条目放回库内中文医疗条目群，可以按四个象限定位：

• 语料供给象限：与 disc-med-sft(824)、huatuo-26m(823)、meddialog(210) 同处——QiZhenGPT 的差异化标签是「知识库上游+三线构建+模型一体」；
• 基准评测象限：与 cmb-cmexam(180)、cblue(190)、medicationqa(170) 相邻——QiZhenGPT 在这里的位置特殊：它自带一个自述评测（94 药品），但没有接入任何公开基准，是象限内「有分数、无可比性」的孤立点；
• 标注资源象限：与 maccrobat(519)、mednli(648) 弱关联——这些条目提供的判别式标注与 QiZhenGPT 的生成式语料构成任务光谱的两端；
• 落地系统象限：与 zhejiang-ehr-critical-care(598) 形成浙江医疗 AI 的地域对——前者是院内数据资产视角，本条目是模型技术线视角，MedCopilot/APTS 是两者的共同下游语境。

四象限拼出的结论：QiZhenGPT 不是任何一个象限的「最优条目」，但它是为数不多横跨三个象限（语料+评测+落地）都有一句话可说的条目——这个横跨性正是它作为「范式起点」的证据，也是它在本版图中不可被同类单点条目替代的原因。

§8 方法学启示：三条可迁移的经验

8.1 「知识库→指令语料」是一条可复制的流水线

QiZhenGPT 最有复用价值的设计，是把「一个结构化知识库」系统性翻译为「指令微调语料」的三步法：

1. 盘点原料形态：知识库里哪些资产是结构化的（药品说明书字段、疾病条目字段）？哪些是过程性的（医患对话记录）？
2. 分线加工：结构化资产走模板化（字段→问句模板→填充），过程性资产走清洗抽取（对话→问答对）；
3. 统一出口格式：三条线汇入同一个 instruction/input/output JSON 出口，直接对接训练栈。

任何拥有领域知识库的机构（医院的知识管理系统、药企的说明书库、医保的目录库）都可以套用这条流水线。QiZhenGPT 的 1038K 就是这条流水线在一个医学知识库上的单次产出。

8.2 真实线与模板线的配比是领域模型的能力配方

QiZhenGPT 的 54% 真实问答 + 46% 模板数据配比，对应了领域模型两种能力的需求配比：

• 模板线决定知识密度：药品评测的高分直接来自 180K 药品模板的密集覆盖；
• 真实线决定话语自然度：560K 真实问答让模型学会「患者怎么问、医生怎么答」，避免模板腔。

后来的中文医疗数据集（Disc-Med-SFT 的真实问诊+重写、Huatuo-26M 的图谱+对话混合）都在不自觉地逼近这个「知识+话语」双线结构。做领域 SFT 的团队可以把 QiZhenGPT 当作配比设计的第一个参照点：纯模板训出的模型能考高分但不会看病，纯真实数据训出的模型会说话但知识有洞。

8.3 「最小可验证核心」是对低可得性的务实补偿

QiZhenGPT 的 20K 抽样公开是一个值得写进数据集工程手册的策略：当完整数据因授权/合规/商业原因无法全量公开时，公开一个带完整字段结构、可独立下载、规模够做小实验的抽样，可以把数据集从「纯存目」拉回「可验证」区间。sft-20k.json 的 1,337 次下载（2026-10 核验）证明这个最小核心确实被社区使用了。

对照教训同样成立：如果当初连抽样都不放，今天对 QiZhenGPT 数据质量的任何讨论都将无从下手——它的可验证性全部系于那 16,075,123 字节。

8.4 影响力由可验证性决定，而非宣称规模

§7.3 的反面注脚展开：QiZhenGPT 宣称 1038K，Huatuo-26M 宣称 26M，但 2024 年后学术引用与生态位上后者（以及全量公开的 Disc-Med-SFT）明显占优。原因不在规模而在验证成本：引用 Huatuo-26M 的人可以下载全量自查，引用 QiZhenGPT 的人只能转述 README。对数据集发布者的启示是残酷而简单的：每降低一分可验证性，就折损一分被引用的生命周期。

8.5 反面清单：三件没做对的事

正向经验之外，QiZhenGPT 有三件事被时间证明是明确的失误，单独成节以避免被 §8.1-8.3 的正面总结稀释：

1. 承诺了论文但没有关闭承诺：「Technical paper is coming soon」写在 README 里悬置三年（2023-05 至 2024-08 最后 push），既没兑现也没撤回。对引用者而言，一个未兑现的承诺比没有承诺更伤可信度——它给了读者「等一等」的理由，而等到的是仓库静默。
2. 双口径数字未做调和：1038K 构建口径与 740K 训练口径在同一仓库材料中并存且无一句解释，把数字漂移的成本转嫁给了每一条引用链。口径管理是数据集发布的第一公民义务——哪怕只加一行「740K 为过滤后训练用量」也能消除整个坑 4。
3. 分发渠道单点依赖网盘：全量数据与权重全押百度网盘（提取码制、无校验和、无版本化发布），而仓库 2024-08 静默后无人能验证链接存续。对比同期项目普遍采用的「HuggingFace/ModelScope 官方 repo + DOI 存档」双保险，QiZhenGPT 的分发结构在可持续性上落后了一个版本。

三件事的共同点：都不是能力问题，而是发布流程的最后一步没有走完——对资源紧张的高校团队，这恰恰是最容易被牺牲的一步，也是最不该被牺牲的一步。

8.6 给数据集发布者的七条检查清单

把 QiZhenGPT 的全部经验（正面+反面）压缩成一份发布前自查清单：

1. 口径唯一：规模数字只允许一个官方口径；任何第二口径必须附关系说明（坑 4 教训）；
2. 最小可验证核心：无论全量是否公开，先公开一份带完整字段结构的抽样（sft-20k 策略，§8.3）；
3. 许可单一口径：官方仓库的许可声明是唯一基准，所有镜像/转载渠道的标注必须与官方对齐或明确声明差异（坑 2 教训）；
4. 分发双保险：网盘/镜像之外至少一个带版本化与校验和的官方渠道（坑 3 教训）；
5. 承诺闭环：README 里的每一个承诺（论文/更新/维护）要么兑现要么撤回（坑 5 教训）；
6. 评测可复现最低配置：评测集清单+判分规则+脚本三件套至少公开其二，否则数字声明「自述」（坑 6 教训）；
7. 身份可检索：发布主体在 GitHub 的账号形态（User/Organization）、机构映射、团队自称要在 README 里一句话写清（坑 8 教训）。

这份清单的每一项都能在 QiZhenGPT 上找到对应的正例或反例——它是这个条目除数据本身之外，最有复用价值的产出。

§9 与库内条目的关系

9.1 家族图谱：可互链条目与 rid

以下互链点均经库内查询核验（status=1，2026-10-04 查询）：

库内条目	rid	互链关系	强度
disc-med-sft	824	同为中文医疗指令微调数据集；后者全量公开、前者抽样公开，构成可得性光谱对照	★★★ 最直接同类
huatuo-26m	823	同为中文医疗 SFT 数据集；26M vs 1038K 的规模与构建范式对照（图谱轰炸 vs 知识库三线）	★★★ 规模/范式对照
cmb-cmexam	180	中文医学考试基准；QiZhenGPT 评测结论的第三方评测语境	★★ 评测语境
meddialog	210	真实医患对话数据集；与 QiZhenGPT 560K 真实线的数据来源范式对照	★★ 来源对照
cblue	190	中文医学 NLP 基准套件；理解类任务基准，与生成式 SFT 互补	★★ 基准生态
medicationqa	170	药品问答数据集；与 QiZhenGPT 180K 药品模板线、94 药品评测直接呼应	★★ 任务呼应
zhejiang-ehr-critical-care	598	浙江地域与医院落地语境关联（浙大二院 MedCopilot 落地）	★★ 地域/落地
mednli	648	医学自然语言推理；QiZhenGPT 生成式语料之外的判别式任务视角	★ 次级
maccrobat	519	中文医学实体关系标注；启真知识库「实体/关系千万条」的标注任务视角	★ 次级

9.2 检索路径建议

按研究目的设计的库内检索路径：

1. 做中文医疗 SFT 数据集选型：qizheng-gpt（本条目）→ disc-med-sft(824) → huatuo-26m(823)，三者构成「知识库三线/真实重写/图谱轰炸」三种范式的对照系；
2. 设计中文医疗评测：cmb-cmexam(180) → cblue(190) → medicationqa(170)，理解基准侧如何覆盖知识问答任务；
3. 研究医患对话语料：meddialog(210) → 本条目 §2.2（真实线）→ zhejiang-ehr-critical-care(598)（院内真实数据视角）；
4. 考察知识工程到 LLM 的转化：maccrobat(519) → mednli(648) → 本条目 §3.1（知识库上游）。

9.3 互链落笔建议：在别的条目里怎么提到 QiZhenGPT

互链是双向的：本条目引用了 9 个库内条目，那些条目在修订时也可以按以下语义回链本条目——每条给出建议措辞，避免回链时把事实写走样：

回链条目	建议措辞要点
disc-med-sft(824)	「同为 2023 年发布的中文医疗指令微调集；后者以在线问诊重写为主并全量公开，与本条目知识库三线+抽样公开形成可得性对照」
huatuo-26m(823)	「中文医疗 SFT 的两条规模路线：知识库三线约 1038K vs 图谱模板 26M+，构建哲学对照点」
cmb-cmexam(180)	「评测语境：QiZhenGPT README 自述的药品评测结论方向，与 CMB/CMExam 体系的第三方评测结论一致」
meddialog(210)	「真实医患对话语料的先行者对照：MedDialog 公开来源平台，QiZhenGPT 560K 真实线未披露来源渠道」
cblue(190)	「理解式基准与生成式 SFT 语料的互补关系」
medicationqa(170)	「药品问答任务呼应：QiZhenGPT 的 180K 药品模板线与 94 药品评测是同一任务的语料侧+评测侧」
zhejiang-ehr-critical-care(598)	「浙江医疗 AI 生态：QiZhenGPT 技术路线经启真医学大模型落地浙大二院（MedCopilot）」

回链纪律：任何回链都不得复述 91.49% 等评测数字而不带「README 自述」限定语（§4.3 守则 1）；规模数字必须带口径（约 1038K 宣称 / 20K 公开）。

9.4 边界说明：为什么只有这 9 个互链点

库内中文医疗条目远不止 9 个，未纳入互链的条目按以下三类边界说明：

1. 任务形态不匹配：纯判别式任务（命名实体识别、阅读理解的抽取式形态）与 QiZhenGPT 的生成式 SFT 语料缺乏直接语义接口——除非未来出现「用 SFT 语料辅助判别式任务」的方法学语境，否则不强行挂钩；
2. 语境强度不足：部分条目仅有「同为中文医疗数据」的泛类属关系，没有可叙述的具体差异点（来源范式/规模/许可/任务的对照）——互链的价值在差异点，不在类属；
3. 事实依赖过重：部分潜在互链需要「QiZhenGPT 数据被某下游使用」这类未核实的传播事实支撑，本条目按「不引入未核事实」原则放弃（宁缺毋滥，与 §9 存照纪律一致）。

维护提示：若未来库内新增「中文医疗模型家族」「医疗知识库上游」类目的条目（如启真医学大模型独立条目），本条目 §7.1 的演进链应升级为双向互链；若 QiZhenGPT 的论文（坑 5）将来兑现，论文条目应与本条目 §4 评测节互链。

§10 避坑清单：九个已踩过的坑

以下坑点按「坑 N：」编号制收录，与附录 L 的坑点档案一一对照。

坑 1：名称陷阱——QiZhenGPT-Cache 与 qizen 都是它，但都不该用于正式引用
brief 与部分第三方语境把本数据集记为「QiZhenGPT-Cache」——经核验，HuggingFace 无该名官方 repo（hf-mirror.com API 核验），官方名是 QiZhenGPT。另外 ModelScope 官方抽样镜像名为 qizen-gpt-sample-sft-20k（qizen 无 h，系发布时拼写原样），检索时两种拼写都会碰到。正式引用一律用 QiZhenGPT，镜像名原样照录。

坑 2：许可打架——官方 GPL-3.0 vs 镜像 Apache-2.0
官方 GitHub 仓库许可 spdx_id 实抓为 GPL-3.0（强 Copyleft，衍生分发的开源义务重）；ModelScope 抽样与权重镜像却标 Apache-2.0（宽松）。按官方口径执行：商用/二次分发前按 GPL-3.0 评估义务，不要因为镜像标注宽松就按宽松处理（细读见附录 K）。

坑 3：数据可获得性——README 的表格≠可下载
README 数据构成表写着 560K+180K+298K，但公开直链只有 sft-20k.json 一份（20,000 条）；完整数据挂在百度网盘（提取码制），2024-08 后仓库静默，链接时效未经核验。引用规模前先想清楚你引用的是「宣称规模」还是「你手里拿到的规模」。

坑 4：双总量口径——1038K 与 740K 并存
构建口径 1038K（560K+180K+298K）与训练用量口径 740K 在仓库材料中并存，关系未说明（推测 740K 为去重/过滤后训练用量，未证实）。引用时必须带口径限定词，否则数字会沿引用链漂移。

坑 5：无正式论文——「coming soon」悬置至今
README 原文 Technical paper is coming soon，截至 2024-08-09 最后 push 未兑现。arXiv 2502.20988 等文献是第三方综述中对 QiZhenGPT 的引用，不是官方论文。所有评测数字的唯一出处是 README 自述。

坑 6：评测数字全自述——三档口径与 94 药品清单未公开
91.49%/82.98%/72.34% vs 47.87%/30.85%/15.96% 这组数字没有配套的评测集、判分脚本、口径定义。本条目按「严格/主要覆盖/宽松匹配」保守转述三档口径，这是转述者的推测性表述而非官方定义。引用时标注「发布方自述」。

坑 7：HuggingFace 无官方 repo
HuggingFace 上搜 QiZhenGPT 会碰到第三方上传或同名衍生，没有官方 repo（hf-mirror.com API 核验）。官方分发渠道只有：GitHub（代码/文档）+ ModelScope（抽样/权重镜像）+ 百度网盘（全量）。在 HF 找到「QiZhenGPT」上传时先查上传者与许可标注是否可信。

坑 8：CMKRG 是 GitHub 个人账号，不是 Organization
GitHub API 显示 CMKRG 的 type 为 User（个人账号）而非 Organization，2023-05-08 注册，公开仓库仅 QiZhenGPT 一个。bio 的 Computable Medical Knowledge Research Group（可计算医学知识研究组）是团队自称，背后实体是浙江大学计算机创新技术研究院。按机构名检索 GitHub 时会扑空，按账号名检索时不要误判为独立个人作者。

坑 9：权重名里的数字是训练步数
QiZhen-CaMA-13B-12400 的 12400 是 step 数（训练步数），不是参数量变体也不是版本号。README 评测绑定该检查点；跨站转引时数字后缀丢失会造成「同一个模型被当成两个」的版本漂移。引用权重时保留完整后缀。

10.1 九个坑之间的依赖关系

九个坑不是平行排列的，它们之间有三条因果链，理解链条有助于从根上记忆：

• 身份链（坑 1 → 坑 7 → 坑 8）：官方名唯一性不清（坑 1）→ 第三方平台出现同名/衍生上传（坑 7）→ 按机构名检索扑空、按账号名检索又误判账号性质（坑 8）。三个坑同根：发布主体没有建立统一的「官方存在感」注册表。
• 可信链（坑 5 → 坑 6）：无论文（坑 5）→ 评测数字失去唯一可锚定的载体，只能靠 README 自述（坑 6）。论文缺席不是形式问题，而是让全部定量宣称失去了同行评审锚点。
• 可得链（坑 3 → 坑 4 → 坑 2 → 坑 9）：全量无直链（坑 3）→ 使用者被迫在两个口径间猜数字（坑 4）→ 镜像标注与官方许可冲突（坑 2）→ 拿到权重后还要面对 step 后缀的版本陷阱（坑 9）。分发结构的每一步省事，都变成了使用者侧的一个坑。

与附录 L 的「一句话处置」配合使用：先按坑号查处置，再按本节链条查同一根因下的关联坑——只处理单个坑而不处理同链条的其他坑，是最常见的「修了一半」状态。

§11 总结

11.1 三句话总结

1. QiZhenGPT 是浙大可计算医学知识研究组（CMKRG）2023 年开源的中文医疗指令微调数据集与三模型家族，约 1038K 条样本由「560K 真实医患问答 + 180K 药品模板 + 298K 疾病模板」三线构成，上游是启真医学知识库。
2. 它用 94 种药品三档评测给出了「中文医学知识上微调模型碾压同代通用模型」的早期硬证据（91.49% vs 47.87%），但数字全部自述、口径未公开、无正式论文。
3. 公开可验证的只有 sft-20k.json 抽样（20,000 条，ModelScope）与 GitHub 代码文档，完整数据悬于百度网盘，官方许可 GPL-3.0 与镜像标注 Apache-2.0 冲突——它是「高宣称、低可得」的教科书标本。

11.2 适合谁

• 中文医疗 LLM 研究者：需要理解 2023 年中文医疗 SFT 的范式起点与「知识库→指令语料」流水线设计；
• 数据集工程团队：要复用三线构建法或「最小可验证核心」抽样公开策略；
• 医疗信息化厂商：评估启真技术路线（QiZhenGPT→启真大模型→MedCopilot/APTS）的产业化轨迹与上游数据血缘；
• 领域数据集策展人：需要一个「宣称规模 vs 可验证规模」落差的典型样本做 AI-Ready 方法论教学。

11.3 不适合谁

• 追求开箱即训的团队：完整数据无公开直链，网盘时效未核，许可冲突未澄清——动手成本与法务风险都高；
• 需要同行评审背书的学术引用：无论文、评测全自述，严格的学术语境应转引第三方综述（如 arXiv 2502.20988 的转述）或标注「发布方自述」；
• 英文医疗场景：语料与模型均以中文为主，无英文能力宣称；
• 用药决策类产品：模板线是说明书复述，不含个体化用药判断能力，任何临床决策用途都超出其设计边界。

11.4 30 秒决策卡

你的需求	建议
快速检视中文医疗指令数据风格	下 ModelScope sft-20k.json（五分钟）
训练自己的中文医疗模型	优先考虑库内全量公开的 disc-med-sft(824)/huatuo-26m(823)；坚持用本集则先验证网盘链接+法务确认 GPL-3.0
引用「微调优于通用」的证据	引 §4 数字并标注「README 自述」，或转引第三方综述
研究数据集可验证性方法论	读 §6.3 与 §8.3-8.4，QiZhenGPT 是标准反面+正面混合教材
追溯启真医学大模型/国家平台入选的技术源头	本条目 §7 演进链即答案

11.5 本条目自身的使用与引用说明

最后交代本条目（而非数据集）的使用边界，供引用本文的写作者参考：

1. 时效声明：本条目所有平台实测数字的抓取时点为 2026-10-04（GitHub API 与 ModelScope）；stars/下载量等计数随时间变动，引用时应标注你的复抓时点而非沿用本文数字；
2. 转述边界：本条目对三档口径的「严格/主要覆盖/宽松」表述是保守转述（待核 2），引用评测数字请回到 README 原文语境或按 §4.5 模板带上限定语；
3. 存照依赖：本条目的全部冲突口径（许可冲突、双总量口径、名称偏差）都在 FACTS.md §9 与正文 §10/附录 K/L 存照——引用本文结论时，存照部分应视为结论的一部分，不能只摘正面描述；
4. 修订预期：若 QiZhenGPT 仓库恢复更新、论文兑现（坑 5）或许可冲突澄清（坑 2），本条目对应坑点应整体重评——届时以最新核验为准，本文数字不再构成引用依据。

11.6 可直接引用的两段式条目摘要

短版（约 120 字，适合百科/导语引用）：

QiZhenGPT 是浙江大学计算机创新技术研究院可计算医学知识研究组（CMKRG）2023 年 5 月开源的中文医疗指令微调数据集与模型家族：560K 真实医患问答、180K 药品模板、298K 疾病模板合计约 1038K 条（README 口径），衍生 QiZhen-LLaMA / QiZhen-Alpaca / QiZhen-CaMA 三模型，官方许可 GPL-3.0，公开可下载仅 2 万条抽样。

长版（约 250 字，适合综述/报告引用）：

QiZhenGPT 由浙江大学计算机创新技术研究院团队（GitHub 账号 CMKRG，可计算医学知识研究组）于 2023 年 5 月发布，是「知识库→指令语料→领域模型」完整链条的早期中文开源实例。其指令数据集宣称约 1038K 条（560K 真实医患问答 + 180K 药品知识模板 + 298K 疾病知识模板，README 口径），上游为启真医学知识库；衍生 QiZhen-LLaMA-7B、QiZhen-Alpaca-7B、QiZhen-CaMA-13B 三模型（7×A800 训练）。README 自述的 94 种药品适应症评测中，QiZhen-CaMA-13B-12400 三档匹配率达 91.49%/82.98%/72.34%，显著高于同代 ChatGPT（47.87%/30.85%/15.96%；自述口径，评测集未公开）。官方许可 GPL-3.0（ModelScope 镜像标注 Apache-2.0 存在冲突）；公开可验证部分仅 sft-20k.json 抽样（20,000 条），完整数据依赖网盘分发。仓库 2024-08 后静默，技术路线由启真医学大模型产业化演进。

引用规则：两段摘要已内置口径限定语；摘抄时不得删去「README 口径」「自述口径」「存在冲突」等限定成分——按 §4.5 与 §11.5 的纪律，限定语是引用完整性的一部分。

FAQ（高频问答 36 问）

A. 基础认知

Q1：QiZhenGPT 是谁发布的？
浙江大学计算机创新技术研究院的团队，GitHub 账号 CMKRG（bio：Computable Medical Knowledge Research Group，可计算医学知识研究组）。注意该账号是 GitHub 个人账号形态（type: User），背后是院级团队。

Q2：「启真」是什么意思？
启真医学知识库/启真医学大模型的品牌名（取自浙大启真湖意象），是团队一系列成果的共同前缀：启真医学知识库（上游）→ QiZhenGPT（开源起点）→ 启真医学大模型（产业化版本）。

Q3：QiZhenGPT 和 ChatGPT 是什么关系？
无技术继承关系。QiZhenGPT 基于 LLaMA 系开源基座（Chinese-LLaMA-Plus/Chinese-Alpaca-Plus/CaMA）微调，与 OpenAI 无关；ChatGPT 只在其评测中作为对照物出现。

Q4：数据集发布的准确时间？
GitHub 仓库创建于 2023-05-08（API created_at 08:02:14Z），首次 init 提交 2023-05-23。社区通行以 2023 年 5 月为发布时点。

B. 数据与获取

Q5：完整数据现在到底能不能下载？
唯一保证可得的是 sft-20k.json（ModelScope 镜像，20,000 条）。完整约 1038K 依赖 README 的百度网盘链接（提取码制），2024-08 后仓库静默，链接现状需自行验证——本条目不为其时效背书。

Q6：sft-20k.json 怎么打开？
标准 JSON（instruction/input/output 风格三元组数组）。加载代码见附录 E；16,075,123 字节，普通编辑器可整文件打开，pandas/json 库数秒内可载入。

Q7：数据的语言？
中文为主（药品说明书、疾病条目、医患对话均为中文语料）。基座模型的英文能力来自上游基座（LLaMA/CaMA），不是数据集提供的。

Q8：数据的科室覆盖？
依托启真知识库 10 余学科：肝胆外科、内分泌、精神、病理、心血管、生殖、血管外科、护理等。各科室样本配比未公开。

Q9：真实医患问答的来源平台是什么？
未公开披露。README 只说「启真医学知识库积累的真实医患对话/在线问诊数据」。来源渠道、去标识化方案、患者授权细节均为遗留疑点（坑 6/待核 4）。

Q10：可以商用吗？
官方许可 GPL-3.0，不是禁止商用的许可，但强 Copyleft 义务（衍生分发的开源要求）必须由法务评估；ModelScope 镜像的 Apache-2.0 标注与官方冲突，不能作为商用依据（坑 2，附录 K）。

C. 评测与性能

Q11：91.49% 这个数字可信吗？
它是发布方 README 自述的单任务评测结果，无评测集公开、无第三方复现。作为「方向性证据」（微调模型在中文药品知识上大幅领先同代通用模型）被第三方综述广泛转引；作为「精确性能指标」引用需标注自述属性。

Q12：三档匹配口径是什么意思？
README 给出三档由严到宽的匹配统计（91.49%/82.98%/72.34%），但未公开每档的判定规则。本条目按「严格匹配/主要覆盖/宽松匹配」保守转述，这是转述而非官方定义（待核 2）。

Q13：为什么口径越宽分数越低？
因为对照的 ChatGPT 分数崩得更快（47.87%→15.96%）。宽口径下微调模型保持 72.34% 而 ChatGPT 只有 15.96%，说明通用模型的失败模式是「答偏/答错」而非「答不完整」。

Q14：三个模型哪个最强？
README 评测绑定 QiZhen-CaMA-13B-12400（13B 基座+最多步数检查点），参数量与训练量最大，通常被视为家族旗舰；7B 两型的对比数字未公开。

Q15：现在还值得用 QiZhenGPT 模型吗？
作为 2024-08 后静默的历史模型，其知识截止与架构均已过时；价值在考古（范式研究、中文医疗 LLM 史）而非生产部署。

D. 许可与合规

Q16：GPL-3.0 对我训出的模型有什么约束？
GPL-3.0 覆盖代码与（按官方仓库口径）随仓库分发的数据入口。用其数据训练的模型权重的分发义务边界存在法律解释空间——这正是商用前必须法务确认的原因（附录 K）。

Q17：为什么 ModelScope 镜像标 Apache-2.0？
镜像上传者的标注行为，与官方 GPL-3.0 冲突。上传者可能按平台默认或自选标注，不代表官方意图。处理原则：以官方为准（坑 2）。

Q18：引用这个数据集的正确姿势？
名称用 QiZhenGPT；规模带口径（宣称约 1038K，公开抽样 20K）；许可写 GPL-3.0（官方口径）；评测数字标注「README 自述」；无论文可引时引 GitHub 仓库 URL。

E. 生态与谱系

Q19：QiZhenGPT 与启真医学大模型是同一个东西吗？
不是。前者是 2023 年开源学术起点（LLaMA 系基座），后者是 2024-2025 产业化演进版本（自研底座、接入知识库在线服务、入选国家平台）。共享上游知识库与团队谱系，但形态不同（§7.1）。

Q20：MedCopilot 是什么？
启真医学大模型在浙大二院落地的医疗助手产品，8 大功能模块；公开报道给出出院小结书写从 20 多分钟缩短到几分钟、正确率 >95% 的数字。它是 QiZhenGPT 技术路线的第三代产物。

Q21：APTS 的数字有多可靠？
APTS（辅助诊疗系统）的日解析近 3 万份、敏感性 99.5%、累计识别 10.7 万例高风险患者（截至 2026-08）出自机构调研报道（ncncd.chinacdc.cn 等），属机构宣传口径而非同行评审文献，引用时注明出处性质。

Q22：创业慧康在链条里扮演什么角色？
医疗 IT 头部厂商，其 BsoftGPT 平台（陈中阳团队）与启真医学大模型合作，把模型能力接入医院信息化产品线——是技术路线走向商业化的端口（企业公告与媒体报道交叉确认）。

F. 工程细节

Q23：训练要什么硬件？
README 口径 7×A800 80GB；Chinese-LLaMA-Plus-7B 3500 步约 23h50m。7B 级复现在单卡 A100/H800 或多卡消费级卡（配 LoRA）量级可行，但官方未发布 LoRA 配置细节（待核 3）。

Q24：LoRA 还是全参微调？
未公开。README 定性为指令微调（SFT），精确设定待核。成稿保守表述为「指令微调」。

Q25：数据格式和 alpaca 格式一样吗？
同属指令三元组家族（instruction/input/output），与 Stanford Alpaca 的 json 结构同构；具体字段命名与多轮对话组织方式以下载的 sft-20k.json 实测为准（附录 E）。

Q26：为什么这个条目值得进 AI-Ready Wikipedia？
三个理由：它是中文医疗 SFT 范式起点之一（生态价值）；它的「宣称 1038K vs 公开 20K」落差是 AI-Ready 可获得性维度的标准教学样本（方法论价值）；它的技术路线一路演进到国家平台入选与医院落地（追踪价值）。

G. 交叉引用与边界

Q27：QiZhenGPT 与 Huatuo-26M 应该选哪个？
看需求：要规模和公开直链，Huatuo-26M（26M+，全量公开）；要真实对话配比和知识库质量路线，QiZhenGPT 的配方设计更完整但公开部分只有 20K 抽样。工程上多数团队的选择是：以 Huatuo-26M/disc-med-sft(824) 做全量训练，以 sft-20k 做风格与结构参照（§2.6、11.4 决策卡）。

Q28：本条目的评测数字能和 CMB/CMExam 的分数直接比吗？
不能。94 药品评测是单任务自述口径（评测集未公开），CMB/CMExam 是标准化考试基准（题目公开、可复现）——任务、口径、可验证性三个维度都不同。二者只能作为「方向一致」的互证，不能数字互比（§4.4）。

Q29：sft-20k 抽样能直接用于训练吗？
技术上可以（20,000 条指令三元组，格式即训练格式），但两个前提：一是许可上按官方 GPL-3.0 评估义务而非镜像的 Apache-2.0 标注（坑 2）；二是预期管理——20K 样本训不出 1038K 宣称口径的效果，它更适合做格式验证与流程打通（§2.5）。

Q30：本条目说「模型家族」和「数据集」一体，库内其他条目也是这样吗？
不是常态。多数指令数据集条目（如 disc-med-sft、huatuo-26m）只有数据没有配套模型，QiZhenGPT 的「数据+模型+评测」三件套发布形态在库内属于少数派——这也是它引用时必须同时交代数据与模型的原因（§1 Q1）。

Q31：如果百度网盘链接失效了怎么办？
没有官方替代渠道（坑 3/坑 7）——这正是该分发结构的单点风险。届时剩余可得资产是：GitHub 代码文档（公开直链）+ ModelScope sft-20k 抽样与权重镜像；全量 1038K 若网盘失效则事实上转为「存目」状态。附录 D 决策树的对应分支是「改用 disc-med-sft(824)/huatuo-26m(823)」。

Q32：引用本条目（AI-Ready Wikipedia）时注意什么？
本条目对 QiZhenGPT 的描述综合了官方仓库（一手）、ModelScope 镜像（一手分发渠道）与机构/媒体调研报道（二手）三级来源；引用本文数字时建议回溯到对应一手来源（附录 C 给了逐项检验方式），并把本文的存照口径（坑点+待核）一并带入你的引用链。

H. 疑难与争议

Q33：560K「真实」医患问答的真实性如何理解？
「真实」指对话来源于真实医患交互（非人工撰写/非模板生成），不代表对话内容在医学上正确，也不代表发布方对答案质量做过核验——公开材料没有质控流程描述（待核 3）。把「来源真实」与「内容可靠」混为一谈是最常见的误读。

Q34：GPL-3.0 会「传染」到我用这些数据训出的模型吗？
存在法律解释空间：GPL-3.0 义务的触发以「分发」为前提，模型权重是否构成数据/代码的「衍生作品」尚无统一司法结论（附录 K 第 1 条）。社区 2023 年后的惯例倾向宽松处理，但商用法务确认不可省略——本条目不给出法律结论。

Q35：为什么本条目不直接给「能不能用」的结论？
因为答案依赖三个使用者侧变量：你的使用场景（研究/商用）、你的分发形态（是否公开权重/服务）、你的合规要求——同样的数据在不同组合下结论不同。本条目提供的是决策所需的事实与约束（§6/§10/附录 K/D），「能不能用」的最终判断必须由使用者在这些事实之上做出。

Q36：这条数据集线还会更新吗？
仓库 2024-08-09 后静默（API 实抓），开源线无更新迹象；团队精力已转向产业线（启真医学大模型/MedCopilot/APTS，§7.1）。合理预期是：QiZhenGPT 开源仓库作为历史档案存在，数据与模型的实质更新不会再回到这个仓库。

事实清单（硬事实 30 条）

1. 官方名称：QiZhenGPT（GitHub 仓库 CMKRG/QiZhenGPT；repo description：QiZhenGPT: An Open Source Chinese Medical Large Language Model｜一个开源的中文医疗大语言模型）。
2. GitHub 账号 CMKRG：type 为 User（个人账号形态），2023-05-08T07:57:07Z 注册，public_repos=1（仅 QiZhenGPT）。
3. CMKRG bio 原文：Computable Medical Knowledge Research Group（可计算医学知识研究组）。
4. 背后机构：浙江大学计算机创新技术研究院。
5. 仓库创建：2023-05-08T08:02:14Z；首次 init 提交 2023-05-23；最后 push 2024-08-09T07:07:36Z（GitHub API 实抓）。
6. 社区热度：stars 780 / forks 90 / open_issues 8（2026-10-04 GitHub API 实抓）。
7. 官方许可：GPL-3.0（GitHub API license spdx_id 实抓）。
8. ModelScope 抽样镜像 xiaofengalg/qizen-gpt-sample-sft-20k 标注 Apache-2.0，与官方冲突。
9. 数据构成（README 口径）：560K 真实医患问答 + 180K 药品知识模板 + 298K 疾病知识模板，合计约 1038K 条。
10. 另有 740K 训练用量口径在仓库材料中并存，与 1038K 关系未说明。
11. 公开可下载样本：仅 sft-20k.json，20,000 条，16,075,123 字节（ModelScope 实抓）。
12. sft-20k 镜像下载量 1,337（2026-10 核验）；镜像名 qizen 拼写系原样照录。
13. HuggingFace 无官方 repo（hf-mirror.com API 核验）。
14. 上游知识库：启真医学知识库——文献超百万份、术语/实体/关系超千万条、百余种疾病临床决策路径、覆盖 10 余学科。
15. 知识库定位：国产化、本土化授权医学知识库（浙大计算机创新技术研究院构建）。
16. 模型家族：QiZhen-LLaMA-7B / QiZhen-Alpaca-7B / QiZhen-CaMA-13B。
17. 基座：Chinese-LLaMA-Plus-7B / Chinese-Alpaca-Plus-7B / CaMA-13B。
18. 训练硬件：7×A800 80GB。
19. 代表性训练时长：Chinese-LLaMA-Plus-7B 3500 步 23h50m（README 训练日志口径）。
20. 评测设置：94 种药品，三档匹配口径（口径定义未公开）。
21. 评测结果：QiZhen-CaMA-13B-12400 得 91.49% / 82.98% / 72.34%；ChatGPT 同代口径得 47.87% / 30.85% / 15.96%。
22. 评测数字全部出自 README 自述，无第三方盲评或同行评审。
23. 论文状态：无正式论文；README 原文 Technical paper is coming soon，截至 2024-08-09 未兑现。
24. 演进：启真医学大模型 2025-04 入选国家高等教育智慧教育平台 2.0 智能版 13 个学科大模型，唯一医学方向。
25. 落地一：MedCopilot（浙大二院），8 大功能模块；出院小结书写 20 多分钟→几分钟，正确率 >95%。
26. 落地二：APTS 日解析近 3 万份病历，高风险患者识别敏感性 99.5%，截至 2026-08 累计识别 10.7 万例。
27. 产业合作：创业慧康 BsoftGPT 平台（陈中阳团队）基于启真医学大模型合作医疗信息化产品。
28. 疾控关注：2026-03 中国疾控中心慢病中心等机构赴浙大计创院调研启真医学知识库（ncncd.chinacdc.cn）。
29. 第三方文献：arXiv 2502.20988 等中文医疗 LLM 综述引用 QiZhenGPT 为早期开源代表（非官方论文）。
30. 库内互链（rid，status=1 核验）：disc-med-sft(824)、huatuo-26m(823)、cmb-cmexam(180)、meddialog(210)、cblue(190)、medicationqa(170)、zhejiang-ehr-critical-care(598)、mednli(648)、maccrobat(519)。

术语表（26 条）

术语	英文	释义
指令微调	Instruction Tuning	用「指令-回答」对监督微调基座模型，使其遵循指令的范式
监督微调	SFT, Supervised Fine-Tuning	在标注样本上继续训练预训练模型的全流程统称
指令三元组	Instruction triple	instruction/input/output 三字段的样本结构（Alpaca 同构）
基座模型	Base/Backbone model	被微调的预训练模型（本条目指 Chinese-LLaMA-Plus 等）
LoRA	Low-Rank Adaptation	低秩适配的参数高效微调方法（是否使用待核）
检查点	Checkpoint	训练某一时刻的完整权重快照（-12400 即 12400 步）
训练步数	Step	一个 batch 的前向+反向更新记一步
强 Copyleft	Strong Copyleft	GPL 类许可的开源传染特性：衍生分发须继承同许可
去标识化	De-identification	移除个人身份信息的数据处理流程（本集未披露方案）
在线问诊	Online consultation	互联网医院的图文/语音问诊形态（真实线数据来源）
说明书模板化	Label template-ization	把药品说明书结构化字段转成自然语言问答的加工方式
疾病条目	Disease entry	知识库内以疾病为粒度的结构化知识单元
知识图谱	Knowledge Graph	实体-关系-实体的三元组网络（启真库千万级）
临床决策路径	Clinical decision pathway	知识库内对某疾病诊疗流程的结构化表达
数据漂移	Data drift	引用链上数字口径走样的现象（1038K vs 740K 即风险源）
抽样公开	Sample publication	公开全集的一个可验证子集以支撑质量评估的策略
AI-Ready	AI-Ready	数据无需大量改造即可进入机器学习流程的属性
可验证性	Verifiability	第三方不依赖发布方自述即可核验宣称的能力
MedCopilot	—	启真大模型在浙大二院的医疗助手落地产品
APTS	—	辅助诊疗系统；日解析病历与高风险识别的落地系统
BsoftGPT	—	创业慧康的医疗大模型平台（合作端口）
国家高等教育智慧教育平台	Smart Education of China	教育部体系平台；2.0 智能版收录 13 个学科大模型
启真医学知识库	QiZhen Medical Knowledge Base	浙大计创院构建的国产化授权医学知识库（上游）
CaMA	Chinese Medical LLaMA	中英医学语料续训的开源 13B 基座（第三型基座）
Chinese-LLaMA-Plus	—	LLaMA 中文词表扩展+增量预训练的社区基座
ModelScope	—	魔搭模型托管平台；本集抽样与权重的镜像分发渠道

附录

附录 A：条目信息速查卡

字段	值
条目 slug	qizheng-gpt
官方名称	QiZhenGPT
收录形态	数据集+模型家族一体条目
发布主体	浙江大学计算机创新技术研究院（CMKRG）
首发时间	2023-05
最后活跃	2024-08-09
宣称规模	约 1038K 条（另有 740K 训练口径）
公开规模	20,000 条（sft-20k.json）
许可	GPL-3.0（官方）
语言	中文
库内 URL	https://www.qianfanghub.com/ai-ready-dataset/qizheng-gpt/826
官方仓库	https://github.com/CMKRG/QiZhenGPT
抽样镜像	https://www.modelscope.cn/datasets/xiaofengalg/qizen-gpt-sample-sft-20k

附录 B：DAIMS 评估全表

DAIMS（Data AI-Readiness Multi-dimension Scoring，数据 AI 就绪度多维评分）逐维评估：

维度	得分（0-5）	依据
机器可读格式	4	JSON 指令三元组，构建即训练格式；扣分点：完整版无直链可直接验证
公开可获取性	1	仅 20K 抽样公开（约 2%）；完整数据依赖网盘且时效未核
文档完备性	2	README 有构成表与训练要点；构建细节、质控、口径定义缺失
许可清晰度	2	官方 GPL-3.0 明确；但与镜像 Apache-2.0 标注冲突，商用解释成本高
数据质量可验证性	2	sft-20k 可自检；全集质检流程未披露，抽样代表性未知
合规与伦理披露	1	去标识化方案、患者授权、伦理审查均未公开
版本与持久性	2	权重带 step 后缀可追溯（正例）；仓库静默、无版本化发布（负例）
生态与再利用	3	1,337 次抽样下载、第三方综述引用、产业线吸收（演进链完整）
加权总评	中低	「格式优、可得性差、可验证性弱」——高生态价值与低 AI-Ready 得分并存的典型

附录 C：逐项证据链自证

条目宣称	证据	检验方式
官方名 QiZhenGPT	GitHub repo 页面与 description	访问 github.com/CMKRG/QiZhenGPT
CMKRG 身份	GitHub API /users/CMKRG（bio 原文、type: User、created_at）	curl -H "User-Agent: x" https://api.github.com/users/CMKRG
GPL-3.0	GitHub API repo 对象 license.spdx_id	curl -H "User-Agent: x" https://api.github.com/repos/CMKRG/QiZhenGPT
1038K 构成	README 数据构成表	读仓库 README 数据节
sft-20k 规格	ModelScope 镜像页（16,075,123 字节、下载 1,337）	访问 modelscope.cn 镜像页并下载实测
780/90/8 热度	GitHub API（stars/forks/open_issues）	同上 API 调用（数值随时间变动，以抓取时点为准）
94 药品三档数字	README 评测表	读仓库 README 评测节
国家平台入选	2025-04 媒体报道（toutiao 文章号 7491839159489888768）	检索标题关键词交叉验证
MedCopilot/APTS 数字	ncncd.chinacdc.cn 2026-03-19 调研报道	访问 ncncd.chinacdc.cn 相关页面
创业慧康合作	entrepreneursdaily.cn、k.sina.com.cn 报道交叉	检索 BsoftGPT+启真 关键词
库内互链 rid	scripts/qf_psql.sh 只读查询（status=1）	SELECT record_id,url_name FROM ai_ready_dataset WHERE status=1 AND record_id IN (...)

附录 D：数据获取决策树

需要 QiZhenGPT 数据？
├── 只想看数据风格/做小实验
│   └── ModelScope 下 sft-20k.json（20,000 条，公开直链）
│       └── 注意：镜像许可标注 Apache-2.0 与官方冲突，仅供研究检视
├── 需要全量训练
│   ├── 第一步：从 GitHub README 取百度网盘链接（提取码制）
│   ├── 第二步：验证链接有效性与文件完整性（无官方校验和，自行抽样核对）
│   ├── 第三步：法务确认 GPL-3.0 义务（训练产物分发边界）
│   └── 链接失效？→ 无替代官方渠道 → 改用 disc-med-sft(824)/huatuo-26m(823)
├── 需要模型权重推理
│   └── 百度网盘/ModelScope 权重镜像 → 确认检查点后缀（-12400 等）
└── 需要 HuggingFace 渠道
    └── 不存在官方 repo（坑 7）→ 回退上述渠道

附录 E：sft-20k.json 结构检视与加载代码

# sft-20k.json 加载与结构检视骨架（ModelScope 抽样，20,000 条）
import json

with open("sft-20k.json", encoding="utf-8") as f:
    data = json.load(f)

print(type(data), len(data))          # 期望 list，20,000
sample = data[0]
print(sample.keys())                  # 期望含 instruction / input / output 类字段

# 三项快速质检（研究者应自行完成的最低限度检查）
lens = [len(str(d)) for d in data]
print("样本长度 min/mean/max:", min(lens), sum(lens)//len(lens), max(lens))
keys = set(k for d in data[:1000] for k in d.keys())
print("字段一致性（前 1000 条）:", keys)
# 提示：脱敏痕迹抽查（姓名/电话/医院名模式匹配）应由使用者自行执行

附录 F：训练复现骨架（口径还原，非官方脚本）

# 基于 README 口径的复现思路示意（Chinese-LLaMA-Plus-7B 路线）
# 官方未发布完整超参（LoRA/全参、lr、切分），以下为框架级还原
# 硬件口径：7x A800 80GB；3500 步约 23h50m（README 日志口径）
#
# 1) 数据：全量网盘数据或 sft-20k 抽样 → 转 instruction/input/output
# 2) 基座：Chinese-LLaMA-Plus-7B（词表已扩展）
# 3) 训练栈：transformers + accelerate（社区 Chinese-LLaMA 生态）
# 4) 轮次：单任务 SFT，loss 仅计 answer 部分（Alpaca 惯例）
# 5) 产出：按 step 保存检查点（如 -12400 命名惯例）
#
# 注意：此骨架不保证与官方训练配置一致（待核 3），
# 引用任何复现结果时须声明「非官方配置」。

附录 G：评测复现思路

目标：验证 README 自述的 94 药品三档数字（无官方评测集，只能近似）
1. 构造评测集：从 180K 药品模板线抽样中取 94 种药品的适应症问答
   （注意：官方 94 种药品清单未公开，任何复现都是不同样本上的近似）
2. 提问模板：逐药品让被测模型生成适应症回答
3. 判分：三档人工判读（严格=与说明书一致；主要=覆盖主要适应症；宽松=部分命中）
4. 对照：同 prompt 测通用模型（注意与 2023 年 ChatGPT 不可比，应测当前模型并声明年代差异）
5. 报告：必须声明「复现样本≠官方评测集，数字不可直接对照」

附录 H：中文医疗指令数据集对比总表（扩展版）

数据集	宣称规模	真实对话占比	模板/生成占比	完整公开	许可	发布年份	库内 rid
QiZhenGPT	约 1038K	约 54%（560K）	约 46%（478K）	否（20K 抽样公开）	GPL-3.0	2023-05	本条目
Huatuo-26M	26M+	极少	绝大多数	是	宽松（见条目）	2023	huatuo-26m(823)
Disc-Med-SFT	约 470K	高（重写增强）	中	是	见条目	2023	disc-med-sft(824)
ChatMed	约 500K+	无	全部（图谱生成）	是	见条目	2023	—
MedicalGPT 系	数十万级	部分	部分	是	见条目	2023	—

读表提醒：各行数字均为各自官方口径，构建方法不同导致「规模」不可直接互比；「真实对话占比」为本条目按各官方描述的归类估计。

附录 I：启真生态时间线总表

时间	事件	层级
建库期	启真医学知识库建成：文献超百万、知识超千万、百余种疾病路径	上游
2023-05-08	CMKRG 账号注册，QiZhenGPT 仓库创建	数据集
2023-05-23	仓库 init 提交（数据准备/训练脚本）	数据集
2023 下半年	权重与数据经百度网盘/ModelScope 分发	数据集
2024	启真医学大模型（产业化版本）成型；MedCopilot 进浙大二院	演进
2024-08-09	仓库最后 push，转入静默	数据集
2025-04	入选国家高等教育智慧教育平台 2.0 智能版 13 学科大模型（唯一医学）	演进
2025-2026	APTS 日解析近 3 万份病历、累计识别 10.7 万例高风险患者（截至 2026-08）	落地
2026-03	疾控慢病中心赴浙大计创院调研启真知识库	落地
2026-10	本条目成稿（数据集档案化）	档案

附录 J：库内互链 rid 对照表

rid	url_name	互链语义	建议挂接位置
824	disc-med-sft	同类中文医疗 SFT，可得性对照	§2.6/§9.1
823	huatuo-26m	同类 SFT，规模与范式对照	§2.6/§9.1
180	cmb-cmexam	中文医学考试基准语境	§4.4/§9.2
210	meddialog	真实医患对话来源范式对照	§2.2/§9.2
190	cblue	中文医学 NLP 基准套件	§9.2
170	medicationqa	药品问答任务呼应	§2.3/§9.2
598	zhejiang-ehr-critical-care	浙江地域与医院落地语境	§7.1/§9.1
648	mednli	医学 NLI 判别式视角（次级）	§9.1
519	maccrobat	中文医学实体关系标注视角（次级）	§9.1

附录 K：许可条款细读（GPL-3.0 vs Apache-2.0 冲突）

1. 官方口径：GitHub API license 对象 spdx_id=GPL-3.0，覆盖仓库内代码、文档与数据入口声明。GPL-3.0 的核心义务：分发衍生作品时须以同许可开源相应源码形式（对「用数据训练的模型权重是否构成衍生作品」存在法律解释空间，2023 年后社区惯例倾向于按宽松处理，但无统一司法结论）。
2. 冲突现场：ModelScope 抽样镜像 xiaofengalg/qizen-gpt-sample-sft-20k 与若干权重镜像标注 Apache-2.0。Apache-2.0 为宽松许可（允许商用、闭源衍生，需保留声明），与 GPL-3.0 的义务要求显著不同。两许可本身亦不兼容（Apache-2.0 代码并入 GPL-3.0 项目有条件兼容，反向不成立）。
3. 本条目处理：以官方 GitHub 的 GPL-3.0 为基准口径（发布方意图最可信的载体是官方仓库），镜像标注作为存照。使用者按 GPL-3.0 评估义务，法务确认前不把 Apache-2.0 标注当依据。
4. 风险提示：若镜像上传者与官方团队存在关联（镜像名的官方抽样属性暗示如此），则冲突可能是团队内部口径不一——这使「以官方为准」的结论更稳，但也意味着官方许可意图本身可能有模糊处，商用尽调应同时留证两处标注。

附录 L：坑点档案（与 §10 对照）

编号	坑名	一句话处置
坑 1	名称陷阱（QiZhenGPT-Cache/qizen）	正式引用用 QiZhenGPT；镜像名原样照录
坑 2	许可打架（GPL-3.0 vs Apache-2.0）	以官方 GPL-3.0 为准，商用先法务
坑 3	表格规模≠可下载	区分宣称规模与可得规模
坑 4	双总量口径（1038K/740K）	引用必带口径限定词
坑 5	无论文（coming soon 悬置）	唯一数字出处是 README
坑 6	评测全自述（口径未公开）	引用标注「发布方自述」
坑 7	HF 无官方 repo	官方渠道=GitHub+ModelScope+百度网盘
坑 8	CMKRG 是个人账号	按账号检索；机构映射见 §1
坑 9	权重名数字是 step	引用保留完整后缀（-12400）

附录 M：检索决策树

你要找什么？
├── 「QiZhenGPT」官方信息
│   └── github.com/CMKRG/QiZhenGPT（代码/README/数据入口）
├── 「QiZhenGPT-Cache」
│   └── 无此官方条目 → 就是 QiZhenGPT（坑 1），回上一行
├── 「qizen-gpt」
│   └── ModelScope 镜像拼写 → sft-20k 抽样与权重镜像
├── 「启真医学大模型」
│   └── 产业化演进版本（非本仓库）→ 本条目 §7.1 演进链
├── 「QiZhen 医疗模型评测」
│   └── README 94 药品评测（自述口径）→ 本条目 §4 + 坑 6
└── 「中文医疗指令数据集」选型
    └── 本条目附录 H 对比表 → 库内 disc-med-sft(824)/huatuo-26m(823)

附录 N：三个组合研究方案（利用库内互链）

方案一：中文医疗 SFT 数据集范式对比研究

• 核心组：qizheng-gpt（本条目，知识库三线）+ disc-med-sft(824)（真实重写）+ huatuo-26m(823)（图谱轰炸）；
• 分析轴：原料类型 / 真实对话占比 / 模板化程度 / 公开程度 / 许可 / 后续模型影响；
• 产出预期：一张三范式对照矩阵（起点见附录 H），可扩展 ChatMed 等库外条目；
• 注意事项：规模数字全部按各自官方口径记录，不做跨集质量推断。

方案二：评测可验证性方法论研究

• 核心组：qizheng-gpt（自述评测标本）+ cmb-cmexam(180)（标准化考试基准）+ cblue(190)（任务套件基准）+ medicationqa(170)（单任务问答基准）；
• 分析轴：评测集是否公开 / 判分规则是否公开 / 是否可复现 / 是否有第三方复现；
• 产出预期：一个「评测可验证性分级」框架（QiZhenGPT 94 药品评测是最低级、CMB 是最高级的锚点样本）；
• 教学场景：适合作为 NLP 评测方法课程的反面+正面组合案例（§4.5 三场景模板可直接引用）。

方案三：医疗 AI 技术路线的产业追踪研究

• 核心组：qizheng-gpt（开源起点）+ zhejiang-ehr-critical-care(598)（浙江落地语境）；
• 分析轴：开源仓库活跃度 / 品牌演变（QiZhenGPT→启真医学大模型）/ 落地产品（MedCopilot/APTS）/ 权威背书（国家平台/疾控调研）/ 产业合作（创业慧康）；
• 产出预期：一条「高校开源项目→产业产品线」的完整追踪模板（数据点见附录 I 时间线）；
• 注意事项：落地数字按 §7.5 三级口径分级使用，二级以下口径不做定量学术引用。

附录 O：成稿方法与接管附记

研究方法（承 agent-b-qizhenggpt 首轮研究，v2 接管复核）

• 存在性核验：GitHub API（repo + user 两个对象）、hf-mirror.com API（HuggingFace 主站被沙箱封锁的替代通道）、ModelScope 镜像页三方互证；
• 数字核验：GitHub API 实抓 stars/forks/license/created_at/pushed_at；ModelScope 实抓 sft-20k.json 文件大小（16,075,123 字节）与下载量（1,337）；README 实抓数据构成（560K/180K/298K）与评测表（94 药品三档）；
• v2 接管复核（2026-10-04）：GitHub API 复抓 repo 对象，全部关键字段（stars 780 / forks 90 / open_issues 8 / GPL-3.0 / created_at 2023-05-08T08:02:14Z / pushed_at 2024-08-09T07:07:36Z / owner type User）与首轮记录一致，FACTS.md 数字判定可信、原样沿用。

接管附记（agent-b-qizhenggpt-v2）

• 前实例 agent-b-qizhenggpt 于 2026-10-04 02:44 认领本 slug，完成 FACTS.md（九节全）与 5 个 part 初稿（合计 910 行，未拼接、低于 1200 行成稿下限）后中断；
• v2 于 2026-10-04 03:39 前后接管：按纪律包 §0 覆写 .lock 为 v2 名下并记录接管轨迹；新建带时间戳+PID 的私有区；对复制入私有区的前实例 part 文件做 10 秒 md5 稳定性采样（两次一致，无并发写入）；
• 内容策略：以前实例 part 为基底（不推翻已核事实），增补 §1.5 / §2.8 / §2.9 / §3.6 / §3.7 / §4.5 / §5.5 / §6.5 / §6.6 / §7.4 / §7.5 / §8.5 / §8.6 / §9.3 / §10.1 / FAQ Q27-Q32 / 附录 N / 附录 O 后拼接成稿；
• 所有增补内容的硬数字均取自 FACTS.md 已核事实（本附录第一段），未引入新的未核数字；新增方法学讨论（工程成本推演、检视清单、引用模板）均为分析性内容，不构成新的事实宣称。

成稿口径声明

• 宣称规模：约 1038K（560K+180K+298K，README 口径）；训练口径 740K 并存待核（待核 1）；
• 公开规模：20,000 条（sft-20k.json，16,075,123 字节）；
• 许可：官方 GPL-3.0 为准（ModelScope 镜像 Apache-2.0 标注冲突存照，附录 K）；
• 评测：94 药品三档数字全部为 README 自述（坑 6）；
• 论文：无正式论文（坑 5）；全部遗留疑点见 FACTS.md §9（待核 1-4）。

附录 P：口径术语对照表

本条目反复出现的口径类术语在此统一登记，写作与引用时按此表取词（避免同义混用造成口径漂移）：

术语	本条目定义	对应事实
宣称构建口径	README 数据构成表的总量数字	约 1038K（560K+180K+298K）
训练用量口径	训练配置描述中出现的总量数字	740K（与构建口径关系未说明）
可得规模	公开直链可实际下载的样本量	20,000 条（sft-20k.json）
最小可验证核心	可独立下载、可支撑质控自查的公开抽样	sft-20k.json 及其 16,075,123 字节
抽样覆盖率	可得规模与宣称构建口径之比	约 2%（20K/1038K）
三线配比	三条构建线在宣称总量中的占比	54% 真实 / 17% 药品模板 / 29% 疾病模板
自述评测	无评测集与判分脚本公开、由发布方单方宣称的评测结果	94 药品三档数字
平台实测	第三方平台计数器可独立复抓的数字	stars 780 / forks 90 / 下载 1,337
机构自述	医院/机构调研报道口径的落地数字	MedCopilot/APTS 数字（§7.5 二级）
官方口径	发布方在官方仓库的许可与命名声明	GPL-3.0；名称 QiZhenGPT

对照表的使用规则：同一数字在不同语境下必须换用对应术语（如 1038K 只能叫「宣称构建口径」，不能简写为「数据集规模」）；本表未收录的口径术语不应出现在对 QiZhenGPT 的描述中。

附录 Q：核验操作卡（五条命令复核本条目）

本条目的关键宣称可以用以下五条命令独立复核（复核时点不同，计数类数字会变动）：

# 1. 仓库元数据：stars/forks/license/created_at/pushed_at/账号类型
curl -s -H "User-Agent: check" https://api.github.com/repos/CMKRG/QiZhenGPT

# 2. 账号身份：bio 原文、type=User、public_repos=1
curl -s -H "User-Agent: check" https://api.github.com/users/CMKRG

# 3. README 口径：数据构成表（560K/180K/298K）与 94 药品评测表
curl -s -H "User-Agent: check" https://raw.githubusercontent.com/CMKRG/QiZhenGPT/main/README.md

# 4. 抽样镜像：sft-20k.json 文件大小与下载量（主站被封锁时走 hf-mirror 同类思路换镜像源）
curl -s -H "User-Agent: check" "https://www.modelscope.cn/api/v1/datasets/xiaofengalg/qizen-gpt-sample-sft-20k"

# 5. HuggingFace 无官方 repo 核验（坑 7）
curl -s -H "User-Agent: check" "https://hf-mirror.com/api/models?search=QiZhenGPT"

复核结果与本文记录不一致时的处理：计数类差异（stars/下载量）属正常时间漂移，以你的复抓时点为准；口径类差异（数据构成、许可、评测数字）属实质变动，请回看 §11.5 修订预期并按最新事实修正引用。

---

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：

• cmedqa2 — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• ahd-arabic-health — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• medval-bench — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• cmb-benchmark-cn — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• disc-med-sft — 共享标签：医疗NLP / 临床文本 / 医学问答 / 知识图谱
• medisumqa — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• apollocorpus — 共享标签：医疗NLP / 临床文本 / 医学问答 / 评测基准
• synthetic-mention-corpora — 共享标签：医疗NLP / 临床文本 / 评测基准 / 知识图谱
• snomed-ct — 共享标签：医疗NLP / 临床文本 / 知识图谱
• medcalc-bench — 共享标签：医疗NLP / 临床文本 / 医学问答 / 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。