心理健康基准 MentalHealthBench 上线，最高分模型也只拿到 57 分

80 多位临床专家写下的 5262 条扣分项

这份基准的核心不是题目，而是评分细则。OpenAI 称，参与制定的有 80 多名持证心理学家和精神科医生，来自 22 个国家和地区、使用 19 种语言、覆盖近 20 个心理健康细分领域。每个场景至少由三位专家审阅，最终形成 5262 条评分标准，每条按临床重要性赋予 -10 到 +10 的权重。

负分的存在很关键。一段回应哪怕温暖、流畅，只要漏掉了风险评估、给了不该给的保证，或者把用户往错误方向推，就会被实打实扣分。这比常见的「答得像不像专家」式打分严苛得多。

三成对话是紧急情况

从构成看，这不是一套只考日常聊天的题库：

• 非紧急的日常情绪话题占 53.5%，高风险对话占 18.2%，涉及即时安全的紧急情况占 28.3%。
• 对话角色中成人占 68.1%，青少年 21.2%，临床人员 5.8%，照护者 4.9%。
• 非英语对话里西班牙语 105 段、印地语 54 段、阿拉伯语 34 段，另有中文、德语、波斯语、土耳其语等。
• 考察维度包括主动了解背景、共情、紧急程度判断、现实检验、维护用户自主权与给出可执行建议等。

青少年场景占到两成，放在过去一年围绕 ChatGPT 与未成年人安全的诉讼和监管压力下看，这个配比显然不是随手定的。

成绩单：进步明显，天花板更明显

据 Unite.AI 整理的结果，GPT-6 Astra 57.3%、GPT-6 Sol 53.9%、Claude Opus 5.5 52.4%、GPT-6 Luna 50.2%；作为参照，2025 年 3 月版的 GPT-4o 只有 32.1%，Gemini 2.5 Pro 为 29.5%。一年半时间里头部模型提高了二十多个百分点，这是 OpenAI 所说的「稳步进展」。

但另外两个参照数更能说明问题：专家撰写的参考回应得分 99.0%，而普通临床医生在同样条件下写出的回应只有 38.5%。后者说明细则本身极其苛刻——它奖励的是把每个要点都覆盖到的「教科书式」回答，而不是现实门诊里的简短沟通。换句话说，模型分数超过临床医生，并不等于模型比医生更会做心理支持。

出题人和考生是同一家

基准由 OpenAI 主导设计，自家模型又排在榜首，这一点绕不开。好在数据集和方法是公开的，其他研究团队可以复现、质疑甚至改写评分细则；Claude Opus 5.5 与 GPT-6 Sol 只差 1.5 个百分点，也说明它没有明显偏向某一家的风格。

OpenAI 在发布中照例强调 ChatGPT 不能替代专业治疗。这句话写在一个「最高分 57」的榜单旁边，倒显得格外诚实：基准能量出模型离合格回应还差多远，却量不出一个深夜求助的人，最终有没有被引向真正能帮到他的人。