在醫療領域，大型語言模型（LLM）需要同時處理高風險的醫患溝通、基於圖文資料的臨牀推理、交互式診斷以及電子健康記錄（EHR）的工具使用。然而，現有的專業化模型往往只覆蓋其中部分能力，且針對單一任務的優化可能損害其他性能。為此，actAVA AI 團隊（由 Haolin Chen 等十位研究人員組成）提出了 Cura 1T，一個專門面向醫療智能體的大語言模型，通過一種名為“人工門控自我進化循環”的訓練方法，在多個維度上實現了突破。該論文於2026年7月15日提交至 arXiv。
Cura 1T 的訓練過程採用離散的進化輪次。每一輪中，一個訓練智能體首先規劃要提升的目標能力，然後對模型進行針對性訓練，接着在多個基準軌跡上評估效果，最後根據發現的失敗案例調整數據混合比例。這種數據驅動的循環機制避免了傳統的一次性醫療數據更新，而是通過不斷注入合成的、精心策劃的示例來改進模型。研究人員表示，這種設計使得 Cura 1T 能夠在不犧牲通用推理能力的前提下，穩步提升醫療專項性能。
在涵蓋患者諮詢、臨牀文檔理解、診斷推理和 EHR 操作等任務的醫療評估套件中，Cura 1T 的表現名列前茅，與 GPT-4 等前沿基線模型持平或領先。它不僅在醫療相關基準上接近或達到最高水平，在領域外推理和通用智能體測試中也保持了競爭力，例如在 GSM8K 和 MATH 等推理基準上表現優異。這證明了該模型具備真正的泛化能力，而非僅僅過擬合醫療數據。
Cura 1T 的發佈為醫療 AI 提供了一種新的範式：通過持續的自進化學習，模型可以在保持通用性的同時，不斷深化對複雜醫療場景的理解。這一成果有望推動智能醫療助手的實際應用，為臨牀決策提供更可靠的 AI 支持，同時降低對單一領域數據更新的依賴。