2026年9月23日 · MentalHealthBench
Introducing MentalHealthBench
OpenAI 发布 MentalHealthBench，一个由专家参与设计的基准，用于评估 AI 在真实心理健康对话中回应的有用性与安全性。证据仅说明该基准的定位与用途，未给出具体评测指标、样本规模、参与机构或模型得分。
EVENT STORY
发展脉络
- 首次出现Introducing MentalHealthBenchOpenAI
- 当前判断心理健康是高敏感、强监管的对话场景，头部实验室以自建基准方式先行定义评测口径，可能影响后续产品在该领域的合规叙事与采购标准。判断依据仅限发布本身，尚不能推断行业已形成统一标准。Agent Pulse · 分析
OpenAI 在其官网发布 MentalHealthBench，将其描述为 expert-informed benchmark，目标是评估 AI 在 realistic mental health conversations 中是否既 helpful 又 safe。该发布把心理健康场景从一般安全对齐话题中单独抽出，形成面向真实对话的评测对象。证据未披露基准的题目数量、评分维度、专家构成、被测模型清单或任何分数结果，因此目前只能确认这是一个评测工具与方法的发布，而非模型能力或产品功能的更新。
从评测设计角度看，把 helpful 与 safe 同时作为目标意味着需要处理二者冲突：过度拒答会降低有用性，过度迎合会带来安全风险。可验证的下一信号是该基准是否公开评分细则、标注流程与基线模型分数，尤其是是否给出拒答率与有用性之间的权衡曲线。
心理健康是高敏感、强监管的对话场景，头部实验室以自建基准方式先行定义评测口径，可能影响后续产品在该领域的合规叙事与采购标准。判断依据仅限发布本身，尚不能推断行业已形成统一标准。
对面向心理健康、客服或陪伴类对话产品的团队，这类基准可作为上线前安全与有用性权衡的参考框架，降低自建评测的成本。但证据未提供可直接落地的指标阈值，短期价值取决于基准细节是否公开。
若该基准后续公开数据集与评测协议，可能被第三方用于模型对比与合规举证；若仅停留在方法论描述，则更接近一次话语权布局。可观察的下一信号是是否出现外部机构复现或引用该基准的评测结果。