MentalHealthBench 是一套评估 AI 系统在真实心理健康对话中表现能力的开放基准平台，OpenAI 于 2026 年 9 月 23 日在官方博客正式发布。该基准包含 1215 段合成心理健康对话与 5262 条专家撰写的评分标准，由来自 22 个国家与地区的 80 多名持证心理学家和精神科医生共同制定，覆盖 19 种语言。
核心要点
- 官方发布时间 2026.9.23，配套研究论文同步公开
- 1215 段合成对话覆盖非急性、高危与紧急三档情境
- 对话刻画成人、青少年、照护者与临床专业人员四类画像
- GPT-6 Astra 以 57.3% 的任务截断得分居首
- 数据集公开发布，供研究社区独立评估复用
基准详情
对话与画像设计
基准利用隐私保护技术合成对话，贴近真实使用模式。对话按严重程度分为非急性、高危与紧急三档，用户画像分为成人、13 至 17 岁青少年、照护者与临床专业人员四类。
青少年样本由具备未成年人治疗经验的临床医生审核。部分任务附带此前背景信息，例如合成用户近期经历家人离世，用于考察模型结合背景调整回应的能力。
专家评分机制
每段对话由至少三位专家审查，评分标准权重介于 -10 到 +10，正分奖励有益行为，负分惩罚有害行为，权重绝对值越大代表临床意义越高。
评估阶段由 GPT-5.6 Sol 在高推理强度下担任自动评分器，按专家标准对模型回应逐条打分，最终得分可拆解为十项专家定义的行为维度。
模型评估结果
GPT-6 Astra 取得 57.3% 的最高任务截断得分，GPT-6 Sol 与 Claude Opus 5.5 分别为 53.9% 和 52.4%。针对评分标准撰写的参考回答得到 99.0%，被视为评估噪声上限。
临床医生亲撰的参考回答仅得 38.5%，研究者认为这一结果源于医生按面对面交流习惯撰写简短回应。美国心理学会首席执行官 Arthur Evans 博士在公告中表示，心理健康是一个连续谱系，AI 系统需要以临床科学为基础回应处于不同状态的人群。
与主流模型对比
对比 Claude Opus 5.5、Gemini 2.5 Pro 等参评模型，GPT-6 Astra 的整体得分领先，模型之间的区别体现在背景探寻与紧急程度判断等行为维度。下表为官方论文公布的整体任务截断得分，各模型为截至 2026 年 9 月 23 日最新接受评估的版本。
| 模型 | 任务截断得分 |
|---|---|
| GPT-6 Astra | 57.3% |
| GPT-6 Sol | 53.9% |
| Claude Opus 5.5 | 52.4% |
| GPT-6 Luna | 50.2% |
| GPT-4o（2025 年 3 月版） | 32.1% |
| Gemini 2.5 Pro | 29.5% |
常见问题
问，MentalHealthBench 是什么。这是 OpenAI 发布的开放基准，用于评估 AI 系统在真实心理健康对话中的回应质量，覆盖从日常倾诉到紧急危机的多种情境。
问，研究人员如何使用该基准。数据集公开发布后可下载，每个样本含完整对话、评分标准、紧急程度与用户画像字段，研究者可复现评估流程。
问，与常规 AI 安全评估的区别是什么。常规评估聚焦紧急情况与宽泛预设标准，该基准以专家逐条撰写的加权评分标准覆盖完整对话谱系，并区分十项行为维度。
问，基准是否免费获取。官方公开发布，研究者可免费下载数据集与配套论文，官方要求样本不得以纯文本或图片形式扩散上网，以避免基准污染。
发布同期，OpenAI 还推出 AI 心理健康科研资助计划，并与 Partnership on AI 合作召集领域专家。官方页面最后更新 2026 年 9 月 23 日，80 多名持证专家共同贡献了临床经验。被评估的 ChatGPT 系列模型均为闭源商业产品，未采用 MIT 或 Apache 协议。
本文来源，OpenAI《MentalHealthBench 正式上线》https://openai.com/index/introducing-mentalhealthbench/
