OpenAI 发布 MentalHealthBench：由多国临床专家共建的AI心理健康对话基准

OpenAI正式推出 MentalHealthBench，一套开源基准测试集，包含1215段合成心理健康对话，用来评估AI模型在各类心理沟通场景下的应对水平，覆盖日常情绪倾诉到高危心理危机事件。

这套基准由来自22个国家和地区、80多名持证心理学家与精神科医生联合构建，专家覆盖19种语言、近20个心理健康细分领域，整套数据集配套5262条专家撰写的评分细则。OpenAI对外开放数据集，供科研人员复现、独立评估与二次研究。

构建设计与样本分布

现有多数AI心理健康评估偏重极端紧急场景，缺少从普通倾诉到危机事件的完整谱系测试样本。MentalHealthBench补齐这一缺口：

• 对话分层：非急性对话53.5%、高风险对话18.2%、紧急危机对话28.3%
• 用户画像：成年人68.1%、青少年21.2%、临床医生5.8%、照护者4.9%
• 多语言样本，包含中文、西班牙语、印地语、阿拉伯语等语种；在对应文化、语言环境下做专家评审

全部对话采用隐私保护技术合成，复刻真实用户向ChatGPT咨询心理相关问题的使用模式；其中5.8%的样本附带用户背景信息，例如亲人离世等创伤经历。

标注流程严格：每段对话至少3位专家参与，两名临床医生独立编写带权重评分标准，第三名专家仲裁，最终只保留至少两人认可、无否决的规则。评分区间-10到+10，正向奖励有益应答、负向惩罚有害内容，权重代表该行为的临床重要程度。青少年子集专门交由具备未成年人诊疗经验的30名临床医生标注。

评估使用GPT-5.6 Sol高推理模型作为自动评分器，每条任务采样4次模型回答，输出任务截断得分，拆解为10大行为维度：背景信息采集、共情能力、紧急风险判断、现实检验等。OpenAI特别说明，该基准适配多家模型厂商，但无法完全复刻产品内置安全防护机制。

各模型测试成绩

• GPT-6 Astra：57.3%（总分最高）
• GPT-6 Sol：53.9%
• Claude Opus 5.5：52.4%
• GPT-6 Luna：50.2%
• GPT-4o（2025.3）：32.1%
• Gemini 2.5 Pro：29.5%

细分场景亮点：GPT-6 Astra在紧急对话子集拿到58.3%；Claude Opus 5.5青少年对话子集得分57.0%。

结论：模型随迭代持续进步，但在主动采集背景、精准判定紧急程度上仍有短板，模型存在“紧急与非紧急场景判断权衡”，OpenAI策略偏向保守，优先保障危机场景安全。

参考对照：按评分标准定向撰写的理想回答得分99%；临床医生手写真人应答仅38.5%，原因是真人面谈风格简短，往往只提单个问题，难以覆盖全部评分项。

用户研究与基准定位

同步开展独立用户调研，44位曾用AI寻求心理支持的用户（16国、14种语言）参与，仅使用低风险非急性对话。用户和专家评分权重25.7%达成一致，仅1%直接冲突。

关注点差异：普通用户看重可落地建议与语气；临床专家更重视背景采集、歧义场景审慎判断。OpenAI强调，用户意见是补充信号，不能替代临床专家标准。

重要声明：MentalHealthBench是诊断审计工具，不是最终排行榜。跨语言结果仅可描述对比，不能直接归因语言差异。

数据集可下载，但科研人员禁止把样本原文公开到网络，防止内容流入训练集污染基准。

同时OpenAI重申：ChatGPT不能替代心理治疗与专业医疗。配套还有科研资助计划、AI联盟专家研讨、独立评估项目，ChatGPT内置本地化危机热线、信任联系人、青少年版本等安全功能。