背景：AI 心理健康評估的缺口
人们会因为各种需求与 AI 对话，例如处理棘手的人际关系、紓解日常压力、支持自己关心的人，或思考如何面对困难处境。这类对话要求 AI 提供准确资讯、做出务实判断，并尊重使用者的自主性。ChatGPT 每周有超过 10 亿人使用，AI 如何回应心理健康相关对话，直接影响大量人群的安全与福祉。然而，过去大多数 AI 评估过度聚焦紧急情境，采用预先订定的概括性标准衡量表现，导致除了确认模型是否避免不当回应之外，学界对模型在各类心理健康对话中的表现所知有限，也不清楚回应是否符合专家针对不同情境的指引。美国心理学会执行长 Arthur Evans 博士指出，心理健康状态呈现连续变化，从身心良好、承受日常压力到面临急性危机都在这个范围内，AI 系统会与处于各种心理状态的人互动，因此必须兼顾临床科学与亲身经验。
核心內容：MentalHealthBench 的設計
为了填补这个缺口，OpenAI 在 2026 年 9 月 23 日推出 MentalHealthBench，这是一个开放基准，用来评估 AI 系统在贴近真实情况的心理健康对话中的回应品质。基准由来自 22 个国家的 80 多位持照心理师与精神科医师共同开发，参与专家使用 19 种语言，涵盖近 20 个心理健康次专科领域。MentalHealthBench 是 OpenAI 先前 HealthBench 和 HealthBench Professional 工作的延伸，那两个基准同样参考了临床工作者的意见，但聚焦于更广泛的健康议题。MentalHealthBench 涵盖四类使用者角色：成人、13 至 17 岁青少年、照护者与临床工作者，对话主题与急迫程度相当多元。急迫程度分为非急性、高急迫性与紧急情况三类，用以测试模型是否能区分日常情绪对话、明显痛苦但不需要立即处理的情况，以及需要立即寻求现实支援的危机。对话采用隐私保护技术合成，准确反映人们在心理健康领域使用 AI 的实际模式。部分情境提供虚构使用者背景，例如最近曾有家人过世，以测试模型是否根据背景适当调整回应。涉及青少年使用者的情境，会透过系统讯息明确指出使用者年龄介于 13 至 17 岁，并由具备青少年心理健康专业知识的临床工作者审查，确保回应符合年轻人的独特需求。
評分機制：專家共識如何形成
MentalHealthBench 的评分机制建立在专家共识之上。专家阅读每段合成对话，并针对模型对使用者最后一则讯息的回应撰写详细评分规准。每项规准针对回应中的一个面向，例如是否提出适当问题或提供最佳建议。权重从 -10 到 +10，正分奖励有益行为，负分惩罚有害行为，幅度越大代表在对话情境中的临床重要性越高。例如，在危机情境中，未能引导使用者寻求紧急支援可能会受到较大幅度的负分，而在日常对话中，主动询问使用者偏好则可能获得正分。每段对话至少由三位专家审查，只有获得所有审查专家认可的规准才会纳入最终基准。评估时使用自动评分工具 GPT-5.6 Sol，依照专家撰写的规准为模型回应评分。以一段关于朋友界限的对话为例，专家规准会奖励询问使用者此刻需要何种帮助、鼓励反思生日旅行期待等行为，同时惩罚臆测使用者感受、断言朋友会疏远等不当行为。这种设计让评估不仅限于检查模型是否避免不当回应，还能细致衡量模型是否展现专家认定的有益行为。
模型表現與使用者觀點
评估结果显示，AI 系统在协助人们应对心理健康情境方面稳定进步。近期前沿模型在 MentalHealthBench 上的整体表现优于较早版本，分数可拆解为十个由心理健康专家定义的行为面向，例如确保安全、了解背景、维护使用者自主性、提供可行建议等。整体分数相近的模型在不同行为上可能各有优势，这种细致衡量有助于研究人员依可解释的模型行为找出改进空间。研究观察到，模型越先进，适当探询脉络的能力越强。OpenAI 也进行了一项独立分析，比较专家指引与 44 位曾使用 AI 寻求心理健康支持的成人使用者的观点。参与者来自 16 个国家、使用 14 种语言，审查仅限于非急性对话，以避免让参与者接触可能造成痛苦的高急迫性内容。结果显示，使用者特别重视 AI 提供具体可行的后续做法与回应语气，而专家更强调蒐集相关背景资讯与谨慎解读不明情况。两者观点互补，提供了更全面的理解。
影響、配套措施與限制
MentalHealthBench 作为开放资源，让研究社群可以检视方法、自行评估并继续研究，为 AI 心理健康评估建立共享工具。OpenAI 同时宣布强化 ChatGPT 在敏感对话中的回应、扩大危机资源取得管道、新增可信任联络人功能，并推出 ChatGPT 青少年版，为年轻使用者提供额外保护。此外，OpenAI 也透过新研究补助支持其他 AI 与心理健康相关工作，包括与 Partnership on AI 共同召集专家，以及协助 Transluce 的心理健康评估等互補性独立计划。不过，基准本身有明确限制：没有任何基准能涵盖个人对话中所有重要面向，MentalHealthBench 也不代表各主题在 ChatGPT 中的实际出现频率。OpenAI 强调 ChatGPT 不能取代治疗或专业照护，其目标是引导人们寻求现实生活中的支持，例如拨打当地危机专线或联络信任的人。参与开发的临床心理师 Steve Orma 博士指出，网络与社群媒体上存在许多关于心理健康的错误或不准确资讯，若能提升 AI 所提供资讯的品质，便可大幅缩短人们受心理健康问题所苦的时间。这些配套措施与开放基准共同构成一套更完整的 AI 心理健康支持策略。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。