OpenAI 發布 MentalHealthBench 評測模型心理健康對話能力
文章摘要
OpenAI推出全新公開評測基準MentalHealthBench,旨在評估AI系統在各類心理健康對話中的表現。該基準由來自22國、逾80位專業心理健康專家共同開發,填補了過往評測僅聚焦緊急情境的缺口,能系統性測試模型在面對不同情緒強度與文化背景時,是否具備安全性、情境判斷力、尊重用戶自主權及提供適切建議的能力。
評測內容涵蓋成人、青少年、照護者與臨床工作者等多種角色,並依據嚴重程度劃分為非急性、高敏銳度及緊急情境。透過匿名化技術產生的合成數據,MentalHealthBench不僅模擬真實心理諮詢需求,還能檢視模型能否根據用戶背景提供客製化回應。此工具開放研究人員使用,以協助檢驗評測方法並提升模型效能。OpenAI強調,儘管AI表現穩步成長,但ChatGPT並非心理治療或專業照護的替代品,其目標是讓模型在處理心理健康議題時更具同理心,並能主動引導用戶尋求危機熱線或信任對象等現實支援。
評測內容涵蓋成人、青少年、照護者與臨床工作者等多種角色,並依據嚴重程度劃分為非急性、高敏銳度及緊急情境。透過匿名化技術產生的合成數據,MentalHealthBench不僅模擬真實心理諮詢需求,還能檢視模型能否根據用戶背景提供客製化回應。此工具開放研究人員使用,以協助檢驗評測方法並提升模型效能。OpenAI強調,儘管AI表現穩步成長,但ChatGPT並非心理治療或專業照護的替代品,其目標是讓模型在處理心理健康議題時更具同理心,並能主動引導用戶尋求危機熱線或信任對象等現實支援。
AI 大叔解析
【核心判斷】
心理諮商不能只靠防禦性罐頭回覆,OpenAI 試圖把日常情緒陪伴這道難題化為可量化的技術規格。這套 MentalHealthBench 集合了 22 國、80 多位持照心理專家,跳脫過去只測「危機防堵」的單一維度,改用 -10 到 +10 分的專家評分規準,將對話拆解為非急性、高敏銳度與緊急三大情境,正式把心理支持對話從單純的敏感詞過濾,推進到多輪情境理解與自主權維持的標準化測試。
【毒舌吐槽】
每週有超過 10 億人湧入 ChatGPT 吐苦水,大家把大型語言模型當賽博樹洞,官方才急著找 80 幾位心理醫師來訂規矩。但最耐人尋味的是,這套嚴謹的專家規準最終交給了 GPT-5.6 Sol 當自動評分裁判。拿大模型去給大模型打分數,就像請實習醫生拿著資深主治的評分表去批改另一個實習醫生;雖然評估機制做到了標準化,但臨床對
心理諮商不能只靠防禦性罐頭回覆,OpenAI 試圖把日常情緒陪伴這道難題化為可量化的技術規格。這套 MentalHealthBench 集合了 22 國、80 多位持照心理專家,跳脫過去只測「危機防堵」的單一維度,改用 -10 到 +10 分的專家評分規準,將對話拆解為非急性、高敏銳度與緊急三大情境,正式把心理支持對話從單純的敏感詞過濾,推進到多輪情境理解與自主權維持的標準化測試。
【毒舌吐槽】
每週有超過 10 億人湧入 ChatGPT 吐苦水,大家把大型語言模型當賽博樹洞,官方才急著找 80 幾位心理醫師來訂規矩。但最耐人尋味的是,這套嚴謹的專家規準最終交給了 GPT-5.6 Sol 當自動評分裁判。拿大模型去給大模型打分數,就像請實習醫生拿著資深主治的評分表去批改另一個實習醫生;雖然評估機制做到了標準化,但臨床對