OpenAI 开源 MentalHealthBench 心理健康基准

9 月 24 日，OpenAI 的 Human Flourishing 与安全团队联合心理健康专家，正式开源发布心理健康基准 MentalHealthBench，用于衡量前沿模型在真实心理健康对话场景中的回应质量。数百万用户已在向 AI 寻求心理支持，但此前缺乏系统的评测手段，该基准以开放形式发布，供研究者检验方法、复现评测并继续扩展。

已确认

• 由超过 80 位心理健康临床医生参与构建；据作者 thekaransinghal 介绍，这些专家为来自 22 个国家的持证精神科医生和心理医生，为 1,215 段对话编写评分细则（rubrics），每条样例至少由 3 位专家撰写，并有质量控制流程
• 覆盖用户带给 AI 的完整光谱：从日常情感支持、压力与人际难题，到急性的危机干预场景，团队称这弥补了以往基准只聚焦紧急情况的不足
• 评测结果：据 thekaransinghal，前沿模型应对真实心理健康场景的能力在稳步提升，但模型间差异明显；据 rohanpaulai 转述，GPT-6 Astra 得 57.3%，GPT-4o 仅 32.1%；改进空间主要在于更主动地向用户追问上下文，以及支持用户自己做出决定而非替用户决定
• 据 r0ck3t23 对基准结果的剖析，持证临床医生撰写的回答在该基准上仅得 38.5%，低于多数模型
• 基准可拆解为 10 项行为维度：各模型在「主动追问上下文」上差距悬殊，「共情与支持」表现相对一致，说明单一总分不足以评估 AI 的心理支持能力
• 据 rhiever 概述，基准重点考察模型在抑郁、焦虑、危机求助、边界把握等敏感场景下给出安全、恰当回应的能力，在设定高安全标准的同时衡量 AI 支持用户身心健康方面的进步

为什么重要

该基准为「AI 能否安全、有效地支持用户身心健康」提供了可复现的量化评测工具，其高安全标准设定与多国专家标注流程，可能影响后续心理健康类 AI 产品的研发与评估方式。其多维拆解也提示行业：总分相近的模型在实际心理支持行为上可能差异显著，评估时应关注具体行为维度而非单一分数。而临床医生作答得分反而低于多数模型这一结果，为解读「基准得分高是否等于心理支持更专业」留下了讨论空间。

2026-09-24 ~ 2026-09-25 · 17 条相关

• 【源头】OpenAI 联合 80+ 临床医生发布开源心理健康基准 MentalHealthBench — OpenAI · 2026-09-24
• MentalHealthBench 覆盖日常支持到危机干预的全谱系对话 — OpenAI · 2026-09-24
• OpenAI 发布心理健康基准 MentalHealthBench,网友许愿修发际线 — Yuchenj_UW · 2026-09-24
• 【源头】MentalHealthBench 发布:用开放基准评测 AI 心理健康支持能力 — thekaransinghal · 2026-09-24
• 覆盖急症与日常场景,MentalHealthBench 称比以往评测更贴近真实对话 — thekaransinghal · 2026-09-24
• 【源头】22 国 80+ 精神科专家标注 1215 段对话,构建 AI 心理健康评测基准 — thekaransinghal · 2026-09-24
• MentalHealthBench 测评:前沿模型稳步进步,但差距仍明显 — thekaransinghal · 2026-09-24
• 总分相近的模型各有强弱:10 项行为维度揭示 AI 心理支持差异 — thekaransinghal · 2026-09-24
• MentalHealthBench 开源发布,供研究者与模型开发者使用 — thekaransinghal · 2026-09-24
• OpenAI 心理健康基准遭剖析：临床医生得分反而低于模型 — r0ck3t23 · 2026-09-24
• OpenAI 联合 80 余位医生发布 MentalHealthBench：Astra 得 57.3 分 — rohanpaul_ai · 2026-09-24
• OpenAI 发布 MentalHealthBench:专测 AI 心理健康对话安全性 — rhiever · 2026-09-25

另有 5 条近重复转述:thekaransinghal · coherence · thekaransinghal · rhiever · thekaransinghal