Sword Health、NVIDIA、里斯本大学高等技术学院与耶鲁大学研究者在一篇于2026年10月15日提交的预印本中提出MindEval2，用于评估大型语言模型在日常、非危机心理健康支持场景中的对话表现。论文摘要与原文
MindEval2由两部分组成：一是Mental Health Quality Rubrics（MHQR），由具有博士学位的心理学家参与制定，把回答质量拆分为可解释的临床问题和严重程度；二是MindSim，通过患者画像、行为工具和跨会话记忆，模拟更具变化性和连续性的多轮互动。论文称，该框架尝试弥补既有评测中“模拟患者过于配合、表达过于完整”、以及只评估单次对话等不足。
研究团队使用该框架评估了18个专有及开放权重模型。摘要报告，前沿模型在表层回答质量和边界控制方面已有改善，但“指导校准”仍是主要失误来源：模型往往继续提出探索性问题，却没有在已有信息足够时提供具体、合适的下一步建议。作者还观察到，多轮场景中能够利用先前会话信息的模型表现更好，另一些模型则会重复询问用户已经提供过的内容。
这项工作的意义主要在评测设计，而不是证明某个模型已经适合提供心理健康服务。它把模型回答从单一总分转为按问题类型和严重程度记录，便于定位风险；同时引入跨会话记忆，测试模型能否持续使用上下文。不过，论文仍是预印本，摘要未说明该框架是否已经经过大规模真实用户验证，相关结果也不应直接等同于临床安全性或治疗效果。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
