OpenAI 开源 MentalHealthBench：80 多位专家把关 AI 心理辅导

MentalHealthBench 是一个专门评估大语言模型在心理健康对话中表现的开源基准。它由 OpenAI 联合全球 22 个国家的 80 多位持证心理学家与精神科医生共同打造，目的是给 AI 的共情能力、安全边界与临床引导水平一套客观且可量化的度量工具。

很多用户已经习惯把日常压力、人际困扰甚至心理危机倾诉给 AI，但过去的模型评测往往局限于极端自残或危险言论的安全过滤。MentalHealthBench 则把测试范围拓展到了真实的完整交流场景。

它能测什么

该基准涵盖了合成但贴近现实的心理咨询对话，覆盖英语及跨文化语境，并细分为三类紧急程度。

第一类是非急性场景，属于日常生活中的情绪波动与人际压力沟通；第二类是高急性场景，用户处于显著的痛苦或抑郁状态，但尚未构成即刻危险；第三类则是紧急危机，出现明确的自伤风险，AI 必须迅速给出求助热线等现实干预渠道。

在受试对象上，基准模拟了成年人、13 至 17 岁的青少年、家庭照护者以及专业临床医生四种角色。针对青少年的对话，OpenAI 还专门引入了青少年心理专家的专项评估标准，以检验模型能否区分成年与未成年用户的脆弱性。

专家怎么给 AI 打分

参与项目的 80 多位专家覆盖 19 种语言和近 20 个精神医学细分方向。他们为对话中的模型回复制定了精细的评估细则，按行为赋予 -10 到 +10 的分值。

比如，主动探寻背景信息、保护用户自主选择权会获得正向加分；若给出武断甚至有害的生活建议，则会被严厉扣分。每套细则至少由三位专家交叉审核，确保至少两人达成一致且无人反对才被采纳。在自动化测试阶段，OpenAI 使用 GPT-5.6 Sol 依据这些专家规则充当自动化打分器。

此外，研究团队还邀请了来自 16 个国家的 44 位真实 AI 心理支持使用者进行对照实验。结果显示，普通用户更看重 AI 的即时实操建议与温暖语调，而专家更注重模型是否审慎厘清了用户的情境背景。

怎么获取与使用

OpenAI 已经将 MentalHealthBench 的评测框架与数据集向社区公开。研究人员和模型开发者可以直接下载相关数据，用来评估自家模型的安全边界、上下文追问能力以及应对危机时的分流策略。

为什么重要

这个基准最大的价值，是把 AI 心理支持从简单的违禁词拦截，推进到了临床级的行为规范评估。对于开发医疗辅助、情感陪伴或通用助手的团队来说，现在有一套成熟的参考框架来查漏补缺，不至于凭感觉调整提示词。

不过我们认为，即便模型在基准上拿到高分，也绝不等于 AI 能够替代真正的心理咨询师。开源这套基准更像是为大模型立起一道安全护栏，让试图用 AI 缓解心理压力的普通人，至少不会在最脆弱的时刻得到冰冷或危险的反馈。