OpenAI 发布 MentalHealthBench，这是一个由80多位临床医生参与构建的开放基准测试，用于评估人工智能在心理健康对话中的回复质量

OpenAI 发布心理健康基准测试 MentalHealthBench，旨在评估 AI 模型处理从日常压力到紧急危机等各类心理健康对话的能力。该基准由来自22个国家的80余名持证心理学家和精神科医生联合开发。

MentalHealthBench 评分机制与模型表现

专家团队为合成对话制定了加权评分标准：主动询问用户需求等有效回复获加分，主观猜测用户感受等不当回复则被扣分。OpenAI 旗下 GPT-5.6 Sol 依据该标准执行自动化评分。

测试结果显示，GPT-6 Astra 以 57.3% 的得分位居榜首；GPT-6 Sol（53.9%）与 Anthropic Claude Opus 5.5（52.4%）紧随其后。Google Gemini 3.1 Pro 与旧版 GPT-4o 并列第三，得分均为 32.1%。

用户偏好与专家评估存在差异

独立调研显示，在寻求情感支持的场景中，44名 AI 用户更看重回复的语气亲和力及后续步骤的可操作性，这与专家侧重专业准确性的评估维度形成显著差异。