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、基於圖文資料的臨床推理、互動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，且針對單一任務的最佳化可能損害其他效能。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慧體的大語言模型，透過一種名為“人工門控自我進化迴圈”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，一個訓練智慧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，接著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資料混合比例。這種資料驅動的迴圈機制避免了傳統的一次性醫療資料更新，而是透過不斷注入合成的、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，穩步提升醫療專項效能。
在涵蓋患者諮詢、臨床文件理解、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慧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資料。
Cura 1T 的釋出為醫療 AI 提供了一種新的正規化：透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慧醫療助手的實際應用，為臨床決策提供更可靠的 AI 支援，同時降低對單一領域資料更新的依賴。