OpenAI 開源 MentalHealthBench：80 多位專家把關 AI 心理輔導

MentalHealthBench 是一個專門評估大語言模型在心理健康對話中表現的開源基準。它由 OpenAI 聯合全球 22 個國家的 80 多位持證心理學家與精神科醫生共同打造，目的是給 AI 的共情能力、安全邊界與臨床引導水平一套客觀且可量化的度量工具。

很多使用者已經習慣把日常壓力、人際困擾甚至心理危機傾訴給 AI，但過去的模型評測往往侷限於極端自殘或危險言論的安全過濾。MentalHealthBench 則把測試範圍拓展到了真實的完整交流場景。

它能測什麼

該基準涵蓋了合成但貼近現實的心理諮詢對話，覆蓋英語及跨文化語境，並細分為三類緊急程度。

第一類是非急性場景，屬於日常生活中的情緒波動與人際壓力溝通；第二類是高急性場景，使用者處於顯著的痛苦或抑鬱狀態，但尚未構成即刻危險；第三類則是緊急危機，出現明確的自傷風險，AI 必須迅速給出求助熱線等現實幹預渠道。

在受試物件上，基準模擬了成年人、13 至 17 歲的青少年、家庭照護者以及專業臨床醫生四種角色。針對青少年的對話，OpenAI 還專門引入了青少年心理專家的專項評估標準，以檢驗模型能否區分成年與未成年使用者的脆弱性。

專家怎麼給 AI 打分

參與專案的 80 多位專家覆蓋 19 種語言和近 20 個精神醫學細分方向。他們為對話中的模型回覆制定了精細的評估細則，按行為賦予 -10 到 +10 的分值。

比如，主動探尋背景資訊、保護使用者自主選擇權會獲得正向加分；若給出武斷甚至有害的生活建議，則會被嚴厲扣分。每套細則至少由三位專家交叉稽核，確保至少兩人達成一致且無人反對才被採納。在自動化測試階段，OpenAI 使用 GPT-5.6 Sol 依據這些專家規則充當自動化打分器。

此外，研究團隊還邀請了來自 16 個國家的 44 位真實 AI 心理支援使用者進行對照實驗。結果顯示，普通使用者更看重 AI 的即時實操建議與溫暖語調，而專家更注重模型是否審慎釐清了使用者的情境背景。

怎麼獲取與使用

OpenAI 已經將 MentalHealthBench 的評測框架與資料集向社群公開。研究人員和模型開發者可以直接下載相關資料，用來評估自家模型的安全邊界、上下文追問能力以及應對危機時的分流策略。

為什麼重要

這個基準最大的價值，是把 AI 心理支援從簡單的違禁詞攔截，推進到了臨床級的行為規範評估。對於開發醫療輔助、情感陪伴或通用助手的團隊來說，現在有一套成熟的參考框架來查漏補缺，不至於憑感覺調整提示詞。

不過我們認為，即便模型在基準上拿到高分，也絕不等於 AI 能夠替代真正的心理諮詢師。開源這套基準更像是為大模型立起一道安全護欄，讓試圖用 AI 緩解心理壓力的普通人，至少不會在最脆弱的時刻得到冰冷或危險的反饋。