研究人员于2026-10-12在arXiv上发布了DistressBench，这是一个包含718段英语危机对话的数据集。每段对话都包含由临床医生撰写的用户发言，以及一套用于评估七个支持维度的评分标准。该基准根据模型提供了多少必要照护内容来评分，而不只看模型是否拒绝回答。在评估的25款模型中，表现最佳的模型达到加权标准的88.4%；临床医生按照同一套标准评分则达到98.7%。
为什么重要
这项基准测试能让开发者了解模型在实际危机援助中有哪些不足，尤其是引导用户寻求人工帮助方面。
DistressBench发布，用于测试语言模型的危机支持能力
这项新基准测试评估了25款AI模型在用户面临自杀和自伤危机时提供帮助的能力。表现最佳的模型达到了88.4%的照护标准。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
继续阅读
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。