语言模型（LMs）在医学领域已展现出专家级别的推理与记忆能力。然而，计算成本高昂及隐私安全问题正成为其大规模应用的主要障碍。为此，我们提出了一种轻量化的phi-3-mini模型适配方案——MedMobile，这是一个参数量仅为38亿的医学专用语言模型，可直接在移动设备上运行。实验表明，MedMobile在MedQA（USMLE）测试集上的得分为75.7%，超过医生执业考试的及格线（约60%），并接近参数规模为其100倍的大型模型的性能表现。随后，我们开展了一系列严谨的消融实验，结果表明，思维链（chain of thought）、模型集成（ensembling）以及微调（fine-tuning）是提升模型性能的关键因素；而令人意外的是，检索增强生成（retrieval-augmented generation）并未带来显著性能提升。