OpenAI MentalHealthBench：全球首个临床级AI心理健康对话开放基准

2026年9月23日，OpenAI正式发布‌MentalHealthBench‌，这是其HealthBench开放健康评测生态下的心理健康专属子集，也是全球首个由多国持证临床专家联合打造的、覆盖全场景的AI心理健康对话标准化评测基准，直接填补了此前AI心理健康领域缺乏统一、可复现临床级评测标尺的行业空白。

现有 AI 心理健康评测大多集中在紧急危机场景，并用宽泛的预设标准打分。日常压力、关系困扰、照护他人这类对话量更大的场景缺乏测量工具。OpenAI 称每周有超过 10 亿人使用 ChatGPT。

一、核心基础规格

数据集规模‌：包含‌1215段‌经过隐私保护技术生成的合成心理健康多轮对话，覆盖从日常情绪疏导到极端心理危机的全场景。goto:A思IDEepThinK.cn
专家团队背景‌：由来自22个国家的80余名持证心理学家、精神科医生联合打造，覆盖19种语言、近20个心理健康细分亚专业，所有对话与评分规则均经过临床专家盲审校验。
评分体系‌：配套‌5262条‌由专家逐条制定的加权评分细则，完全基于真实临床最佳实践标准，而非简单的“是否输出安全内容”的基础判定。
覆盖人群‌：对话场景覆盖青少年、普通成人、老年群体、照护者四类核心用户画像，适配不同人群的心理健康交互特征。

二、十大核心评测维度

该基准跳出了传统AI安全评测“只查有害输出”的局限，从临床专业视角拆解出10个可量化的行为评估维度：goto:A思IDEepThinK.cn

临床回答的专业准确性
主动追问关键背景信息的能力
充分尊重用户自主选择权
提供可落地的行动指导建议
输出符合场景的共情表达
精准识别紧急危机信号
全程规避任何伤害性引导
清晰明确告知AI非医疗替代的边界
高风险场景下引导用户对接专业资源
多轮对话中保持逻辑与情绪连贯性

三、研究方法和过程

数据：1,215 段合成对话，用类 Clio 的隐私-preserving 技术生成以贴近真实使用分布；70 项任务（约 5.8%）附带用户背景信息（如近期家人去世）以测试模型是否利用上下文。
分层：非急性日常 53.5%、高危非紧急 18.2%、紧急 28.3%。
用户画像：成人 68.1%、青少年（13-17）21.2%、临床医生 5.8%、照护者 4.9%。
多语言：西班牙语 105、印地语 54、阿拉伯语 34、葡萄牙语 29，另有德/意/波斯/印尼/土耳其/中文等。
专家：22 国、80 余名持证心理学家与精神科医生，覆盖 19 种语言、近 20 个亚专科，产出 5,262 条评分标准，权重 -10 至 +10。每段对话至少 3 名专家审阅，标准需 2 人同意且第 3 人不反对才保留。
评分：自动化评分器为 GPT-5.6 Sol；共 10 个行为维度（安全性、寻求上下文、保护用户自主性、可操作的指导等）。

四、研究结果

OpenAI 称寻求上下文这一维度随新模型明显上升：

GPT-6 Astra 57.3%（task-clipped）领先
GPT-6 Sol 53.9% goto:A思IDEepThinK.cn
Claude Opus 5.5 52.4%
GPT-4o 32.1%

五、行业核心价值

此前全球AI心理健康领域的评测大多仅聚焦“危机场景是否拒绝输出有害内容”，完全无法衡量AI在真实日常心理疏导场景下的专业度、共情能力与临床合规性。MentalHealthBench首次建立了全场景、可复现的统一评测标准，让不同大模型在心理健康对话中的表现可以被横向量化对比，为AI心理健康应用的安全性、有效性验证提供了临床级的审计依据。

OpenAI明确强调，该基准的核心目标是推动AI心理健康交互的安全研究，所有评测结果都将严格标注“AI不可替代专业医疗服务”的边界，避免公众将AI心理疏导等同于临床诊疗。