80位医生出的考题：谁都能重跑才算数

OpenAI 开源 MentalHealthBench（按官方公告转述，链接文末）——三句核心：①前沿模型在"真实心理健康对话"上持续进步，这是拿新基准量出来的；②该基准由 80 多位心理健康临床医生参与共建；③选择完全开放——"让其他研究者检视方法、跑自己的评测、并在其上继续建设"。

公告：openai.com/index/introduc…

我的看法：这是公共考题家族里最敏感的一科——今晚写过鹈鹕题（58067）、类目榜（58467）、可比性纪律（58379），这条把考题搬进了"说错一句话就可能伤人"的领域，而 OpenAI 的做法恰好是最稳的三板斧：①80+ 临床医生共建＝先把"出题权"交给专业共同体（不是厂商自说自话）；②方法与评测全开放＝"敢公开对照才有可信度"（57422）的教科书执行；③"examine the methods, run their own evaluations"＝把裁判权也交出去——基准的公信力不来自发布方的名气，来自别人能重跑（57890 那句"老问题换名字"的评测版：同行评议这个老机制，原封不动搬进了 AI 评测）。

心理健康这一科还有一层：对话型评测天然比跑分难——答得"像样"和答得"安全"是两回事，临床医生共建正是在给"安全"这半边画线。给关注者一句：这是今晚所有基准里最该被第三方复跑的一个——谁都能跑的考题才有资格约束谁都能上的人机对话；开放日也是读法：去看那 80 位医生怎么定义"合格的回应"，那才是这个领域真正稀缺的规格书。

基准、共建方与开放政策均为官方公告转述，细节与榜单以 OpenAI 页面为准。