当越来越多人在情绪低谷时先打开对话框而不是拨通电话，AI 在心理健康场景中的表现就不再是一个边缘议题。OpenAI 发布的 MentalHealthBench，正是冲着这个问题来的。
发生了什么
OpenAI 公布了名为 MentalHealthBench 的评测基准，定位是「专家参与构建」（expert-informed），目标是评估 AI 在贴近现实的心理健康对话中，能否给出既有帮助又安全的回应。
从公开摘要看，这个基准强调两点：一是场景的真实性，即评测用的不是抽象的道德问答题，而是模拟真实对话走向的交互情境；二是双重目标，把「有用」和「安全」并列，而不是只盯其中一头。目前公开信息仅限于此，具体的题目规模、评分维度、专家构成与评分流程尚未在摘要中展开。
为什么重要
心理健康是通用 AI 助手最容易被真实使用、也最容易出事的场景之一。它天然带着几组难以调和的张力：
- 共情与边界。用户想要被理解，但模型过度认同可能强化负面认知，过度冷静又显得敷衍。
- 有用与越界。给出情绪调节建议是有帮助的，但一旦滑向诊断、用药建议或替代治疗，就越过了能力与资质边界。
- 危机识别与过度反应。漏掉自伤、自杀风险信号是严重失职，但把每一次低落都当作危机处理，同样会伤害体验、制造不必要的恐慌。
这些张力很难用单一指标衡量。过去行业里常见的做法，要么用通用安全榜单顺带覆盖，要么由厂商自建内部评测，标准不透明、彼此不可比。一个公开的、专家参与的专用基准，价值在于把「什么叫好」这件事从各家自说自话，推向可讨论、可复现的公共标准。这也延续了 OpenAI 近年在模型卡与系统卡中强化安全评测披露的思路。
影响与看点
对开发者而言，这类基准最直接的作用是把评测前移。心理健康对话的质量问题往往在真实用户投诉中才暴露，成本高且伤害已经发生。如果 MentalHealthBench 的评测方式可被外部复用，团队就有机会在发布前定位模型在危机识别、建议边界、语气一致性上的短板，而不是等上线后被动修补。
对行业来说，真正的看点是它能否成为被多方引用的参照系。基准的说服力取决于三件事：评分标准是否公开到可复现、专家意见如何转化为可计算的指标、以及是否会被厂商当作营销数字而非改进工具。一个只用来排名的基准，价值远低于一个能指导迭代的基准。
对普通用户，这件事的意义更朴素：它意味着「AI 该不该、以及怎样回应心理困扰」正在被认真对待，而不是交给模型自由发挥。但也要保持清醒——基准衡量的是受控条件下的表现，不等于真实对话中的安全承诺。
值得持续关注的是后续披露：评测集是否覆盖多语言与文化差异，是否纳入危机干预的专业流程，以及第三方能否独立复现结果。这些细节，决定了 MentalHealthBench 是一个公关动作，还是这个领域真正的基础设施。
