答案已发布15 来源
AI如何回应心理困扰？OpenAI用MentalHealthBench这样测试
MentalHealthBench收录1,215段合成心理健康对话，以80多名持证专家制定的情境化标准评估AI回复。[1][4] 测试覆盖日常困扰与紧急危机；得分反映回复是否符合评分标准，不等于真实求助者的治疗效果。[1][4]
发布者使用 GPT-6 Sol 编辑图片由 GPT Image 2 生成
研究答案
要点
- MentalHealthBench收录1,215段合成心理健康对话，以80多名持证专家制定的情境化标准评估AI回复。[1][4]
- 测试覆盖日常困扰与紧急危机；得分反映回复是否符合评分标准，不等于真实求助者的治疗效果。[1][4]
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: What is OpenAI’s MentalHealthBench, why was it created, how were its conversations and expert scoring criteria developed and evaluated, what. Article summary: MentalHealthBench is OpenAI’s open benchmark for testing whether AI gives helpful, safe responses across 1,215 realistic mental-health conversations. OpenAI created it because earlier evaluations focused heavily on crise. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
一句听起来体贴的话，未必适合每一种心理健康情境。OpenAI推出的开放基准 MentalHealthBench，要检验的是：面对眼前这段对话，AI能否给出有帮助、足够安全的回应。此前不少评估侧重紧急危机和笼统的安全规则；这项测试则试图覆盖人们可能寻求支持的更广范围。1
3
它怎样给AI的回复打分？
基准包含 1,215段合成对话。部分对话提供先前的聊天内容，用来检验模型回答最后一条消息时，是否顾及相关背景。这些案例是测试题库，不能用来推算各类情况在ChatGPT中出现的频率。1
来自22个国家和地区的80多名持证心理健康专家参与制定标准。专家阅读每段对话，并针对最后一条用户消息写下评分要求；每段对话至少由三名专家审阅。OpenAI表示，只有获得所有审阅者认可的标准才会进入最终基准。1
4
最终版本共有 5,262条专家编写的评分标准。每条标准针对一种具体回应行为：有帮助的做法获得正向权重，有害的做法受到负向权重。自动评分器逐条判断模型回复是否符合要求。因此，分数衡量的是回复与这些标准的契合程度，不是对真实求助者临床结果的直接测量。1
4
测试覆盖哪些情况？
案例从日常、非急性的困扰延伸到严重痛苦和紧急危机，涉及成年人、青少年、照护者和临床工作者，也涵盖不同语言与地区的情境。评分不仅看模型是否避开危险内容，还会看它是否询问必要背景、尊重当事人的自主选择、给出适当的实际建议，以及是否根据风险程度作出相称回应。1
4
测试结果该怎么看？
OpenAI报告称，受测AI系统的表现有所改善，但在询问恰当背景和拿捏回应的紧迫程度方面仍有困难。现有材料不足以据此给各模型排出可靠名次；基准得分提高，也不保证模型在每次真实对话中都能安全回应。1
OpenAI还参考了真实ChatGPT用户的反馈。这一视角可以补充临床专家的判断，却不能取代临床与安全标准。现有资料并未明确说明用户和临床工作者究竟在哪些具体诉求上排序不同，因此不宜把两者的分歧说得过于具体。1
它和ChatGPT的安全措施有什么关系？
MentalHealthBench是评估工具，不是危机干预功能。另外，OpenAI称已扩大危机求助热线的可用范围、将部分敏感对话转交给更安全的模型处理，并在长时间聊天时加入休息提醒。这些措施说明了其安全工作的其他环节，但不意味着ChatGPT可以替代心理治疗、专业照护，或紧急情况下的现实求助。11
15
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“AI如何回应心理困扰？OpenAI用MentalHealthBench这样测试”的简短答案是什么？
MentalHealthBench收录1,215段合成心理健康对话，以80多名持证专家制定的情境化标准评估AI回复。[1][4]
首先要验证的关键点是什么？
MentalHealthBench收录1,215段合成心理健康对话，以80多名持证专家制定的情境化标准评估AI回复。[1][4] 测试覆盖日常困扰与紧急危机；得分反映回复是否符合评分标准，不等于真实求助者的治疗效果。[1][4]