OpenAI ha publicado MentalHealthBench, un benchmark público para evaluar cómo los modelos manejan conversaciones de salud mental ante estrés cotidiano, situaciones de alta gravedad y emergencias. El dataset y el método se detallan en el anuncio de OpenAI.
El lanzamiento incluye 1.215 prefijos de conversación sintéticos y 5.262 criterios de rúbrica redactados por expertos. OpenAI indica que más de 80 psiquiatras y psicólogos colegiados de 22 países contribuyeron, con cobertura en 19 idiomas. Las respuestas se puntúan con criterios de rúbrica ponderados, y el artículo del benchmark señala que GPT-5.6 Sol se usa como evaluador.
Para equipos que evalúan asistentes en dominios sensibles, el benchmark es un nuevo punto de referencia público, no un veredicto completo de seguridad. Es de hecho de un solo turno, y el evaluador automático es una dependencia propia, así que ganar el benchmark no basta como evidencia para claims de routing, política o cumplimiento sin controles internos.