当一个人向 AI 倾诉失眠、绝望，甚至逐渐流露危机信号时，回答听起来温柔并不等于安全。模型还要识别风险，避免强化妄想或依赖，并在必要时引导对方寻求专业帮助。MentalHealthBench 正是为这类高风险对话设置的一套“考场”。
据 OpenAI 介绍，MentalHealthBench 是一项有专家知识参与的基准测试——也就是用固定任务、样例和评分规则，检验 AI 在贴近真实的心理健康对话中，能否同时做到有帮助和足够安全。这里的关键是“同时”：理解处境、提供支持是一面；不漏掉危机信号、不提出危险建议，则是另一面。现有材料尚未披露测试规模、具体评分方法或模型成绩，因此眼下更值得关注的是它确立的评测方向，而非某个排行榜结论。