OpenAI发布开放基准 MentalHealthBench，用于评估AI在真实感较强的心理健康对话中是否能安全、准确并提供有针对性的帮助。该基准由80多名持证专家参与设计，包含1215段合成对话、多语言样本与细化的行为评分标准，旨在推动可重复的评估而非替代临床照护。
OpenAI于2026年9月23日发布开放基准 MentalHealthBench，用于评估人工智能系统在真实感较强的心理健康对话中，能否安全、准确并且有针对性地回应用户。该基准由来自22个国家、会说19种语言的80多名持证心理健康专业人士参与设计，覆盖从日常压力到紧急心理危机的不同场景。
这项发布的重点并不只是为模型增加一个新的分数，而是试图回答一个更困难的问题：当人们向AI谈论关系、焦虑、创伤、药物、身体形象或自残风险时，一个看起来礼貌、谨慎的回答，是否真的理解了当下的情境，并把用户引向合适的现实支持。
OpenAI在官方介绍中说，MentalHealthBench将公开发布，供研究人员和开发者检查方法、重复评估并继续改进。公司同时强调，ChatGPT不能替代治疗或专业照护。
从危机拦截扩展到完整的心理健康场景
过去，AI心理健康安全研究往往集中在自杀、自残等紧急场景。这些测试非常重要，但它们无法覆盖大量更常见、也同样可能影响用户决定的对话：一个人是否应该结束一段关系，如何面对工作倦怠，是否需要寻求帮助，或者怎样陪伴一位陷入困境的家人。
MentalHealthBench试图扩大评估范围。根据随附的研究论文，基准包含1215段合成心理健康对话，覆盖成年人、13至17岁的青少年、照护者和临床工作者四类用户角色。对话分为非急性、高风险但尚未构成紧急情况，以及紧急情况三个层级。
论文列出的主题包括浪漫关系、自杀与自残、信仰与信念、精神病性体验、药物不确定性、创伤与人身安全、饮食和身体形象、工作与倦怠、焦虑以及成瘾等。超过一半的对话长度超过5条消息，这意味着模型不仅需要处理一句孤立的提问，还要在较长上下文中识别风险变化和用户背景。
基准中的场景由隐私保护方式生成。部分对话还会提供合成用户的背景信息，例如近期家庭成员去世，以观察模型是否会使用这些信息调整回应，而不是套用一段通用的安慰话术。
专家如何给模型回答打分
MentalHealthBench的核心不是让专家给整段答案一个笼统评价，而是让专家针对每一段对话写出具体的评分标准。每项标准只关注一个行为，例如是否提出了必要的问题、是否提供了可执行的下一步、是否正确判断紧急程度，或者是否避免了可能造成伤害的建议。
这些标准带有从-10到+10的权重。积极行为可以获得正分，危险或不恰当的行为会被扣分，临床重要性越高的项目，权重可能越大。每段对话至少由三名专家参与审阅，只有得到至少两名专家认同、且没有被第三名专家否定的标准，才会被保留下来。
OpenAI表示，最终评分使用自动化评分器GPT-5.6 Sol，将模型回答与专家制定的标准逐项比较。这样的做法可以扩大评估规模，但也留下一个重要限制：自动评分器本身仍是模型，可能无法完全判断语气、文化背景或含糊表达中的临床细节。因此，基准分数更适合作为可重复的测量工具，而不是对现实照护质量的最终裁决。
研究把总体表现拆分为十个行为维度，包括情境理解、可执行建议、同理与支持、临床准确性、解释与重新表述、紧急程度判断、现实检验、用户自主性、伤害规避以及沟通表达。OpenAI特别提到，较新的模型在适当寻求上下文方面出现了进步，但这并不意味着所有模型已经能够稳定地判断何时应当追问、何时应当直接给出帮助，或者何时必须转向现实世界的紧急支持。
专家认为“有用”，用户未必觉得“好用”
OpenAI还进行了一项独立的用户比较研究，以检验专家标准是否会遗漏普通使用者真正看重的特征。研究邀请了44名来自16个国家、使用过AI寻求心理或情绪支持的成年人，让他们评价模型对非急性场景的回答。
结果显示，用户更强调实际的下一步行动和回应语气；专家则更看重模型能否收集相关背景、谨慎解释含糊情形。这两种视角并不完全相同，但可以互相补充。OpenAI因此把专家共识作为MentalHealthBench的正式评分基础，同时把用户意见作为理解“为什么一段技术上安全的答案仍可能让人感到冷漠或无用”的补充信号。
这一区分很重要。心理健康对话中的风险不只来自明显错误，也可能来自过度模板化的安全提醒、没有理解用户实际处境，或者在没有足够背景的情况下过早给出判断。反过来，一个过分迎合用户、没有校准风险的回答，也可能在短期内显得温暖，却把用户推向错误的行动。
这项基准正值AI心理健康争议升温之际
MentalHealthBench发布前，OpenAI已经把心理健康安全评估纳入模型改进流程。公司在2025年10月发布的敏感对话安全工作说明中表示，曾与170多名心理健康专家合作，重点关注精神病性体验、躁狂、自残、自杀和对AI产生不健康情感依赖等问题。
2026年，OpenAI又推出了Trusted Contact，允许成年用户预先指定一名信任的成年人。在系统检测到可能存在严重自残风险、并经过人工审核后，指定联系人可能收到有限的提醒。该功能被定位为危机热线、专业照护之外的支持层，而不是治疗替代品。
针对青少年，OpenAI在8月推出了ChatGPT for Teens，并加入更严格的内容保护、家长控制、休息提醒和学习功能。AIFlux此前对[OpenAI青少年AI安全蓝图的报道](https://aifluxnews.com/openai%E5%8F%91%E5%B8%83%E6%BE%B3%E5%A4%A7%E5%88%A9%E4%BA%9A%E9%9D%92%E5%B0%91%E5%B9%B4ai%E5%AE%89%E5%85%A8%E8%93%9D%E5%9B%BE%EF%BC%9A%E5%85%AD%E9%A1%B9%E5%8E%9F%E5%88%99%E8%81%9A%E7%84%A6%E5%B9%B4/）也指出，年龄识别、危机支持和独立评估之间仍存在难以回避的权衡。
路透社在相关报道中称，OpenAI发布了这项由80多名持证专家参与开发的开放基准。与此同时，学术界也在开发其他心理健康评估框架，例如HealthBench-Psych和MindBench.ai。这说明，围绕AI心理健康能力的竞争，正在从“模型能否通过一般医学问答”转向更细分的临床安全、语境理解和长期影响评估。
开放基准能否建立真正可比较的安全标准
MentalHealthBench的价值，首先在于把过去较难量化的行为拆成了可检查的项目。研究人员可以比较不同模型在日常支持、危机识别、青少年对话或多语言场景中的差异，也可以观察一个模型的总体分数是否掩盖了某些严重短板。
但它仍然不是现实心理治疗的替代品，也不是对模型安全性的全面证明。第一，基准使用的是合成对话，尽管研究团队试图让这些对话反映真实使用模式，但它们不可能涵盖所有家庭、文化、语言和临床关系。第二，模型回答由自动评分器评估，评分器的偏差可能影响结果。第三，基准主要测量一次模型回应是否符合专家标准，不能直接说明用户在持续数周或数月使用AI后会发生什么。
论文还显示，非英语数据的分布并不均衡，其中中文场景只有1段。对于一个强调跨文化心理健康对话的基准而言，这提示研究人员仍需要扩大不同语言和地区的样本，尤其要处理不同文化对求助、家庭关系、精神疾病和危机表达的差异。
因此，MentalHealthBench更像是一个公开的测量起点，而不是终点。未来的评估可能还需要加入独立临床复核、真实世界用户研究、年龄和文化分层测试、对抗性测试，以及对模型长期互动影响的跟踪。
AI越来越多地进入人们处理压力、孤独和个人决定的场景。真正值得关注的，不只是模型在公开排行榜上的得分，而是它能否在不夸大能力的前提下理解情境、尊重用户自主性，并在风险出现时把人重新连接到可信任的家人、专业人员和紧急服务。MentalHealthBench试图把这些要求变成可检验的标准；但这些标准能否被行业广泛采用，仍取决于其他模型开发商、研究人员和监管机构是否愿意公开接受同样严格的检验。