在医疗领域，大型语言模型（LLM）需要同时处理高风险的医患沟通、基于图文资料的临床推理、交互式诊断以及电子健康记录（EHR）的工具使用。然而，现有的专业化模型往往只覆盖其中部分能力，且针对单一任务的优化可能损害其他性能。为此，actAVA AI 团队（由 Haolin Chen 等十位研究人员组成）提出了 Cura 1T，一个专门面向医疗智能体的大语言模型，通过一种名为“人工门控自我进化循环”的训练方法，在多个维度上实现了突破。该论文于2026年7月15日提交至 arXiv。
Cura 1T 的训练过程采用离散的进化轮次。每一轮中，一个训练智能体首先规划要提升的目标能力，然后对模型进行针对性训练，接着在多个基准轨迹上评估效果，最后根据发现的失败案例调整数据混合比例。这种数据驱动的循环机制避免了传统的一次性医疗数据更新，而是通过不断注入合成的、精心策划的示例来改进模型。研究人员表示，这种设计使得 Cura 1T 能够在不牺牲通用推理能力的前提下，稳步提升医疗专项性能。
在涵盖患者咨询、临床文档理解、诊断推理和 EHR 操作等任务的医疗评估套件中，Cura 1T 的表现名列前茅，与 GPT-4 等前沿基线模型持平或领先。它不仅在医疗相关基准上接近或达到最高水平，在领域外推理和通用智能体测试中也保持了竞争力，例如在 GSM8K 和 MATH 等推理基准上表现优异。这证明了该模型具备真正的泛化能力，而非仅仅过拟合医疗数据。
Cura 1T 的发布为医疗 AI 提供了一种新的范式：通过持续的自进化学习，模型可以在保持通用性的同时，不断深化对复杂医疗场景的理解。这一成果有望推动智能医疗助手的实际应用，为临床决策提供更可靠的 AI 支持，同时降低对单一领域数据更新的依赖。