Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai23. September 2026 · Q003236

Introducing MentalHealthBench

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

MentalHealthBench ist ein von OpenAI mit mehr als 80 Fachleuten entwickelter, offener Benchmark für KI-Antworten in synthetischen Gesprächen über psychische Gesundheit, von Alltagsbelastungen bis zu Notfällen. OpenAI berichtet von Leistungsverbesserungen, doch der bereitgestellte Text enthält keine konkreten Ergebniswerte; außerdem ersetzt der Benchmark laut Beitrag keine professionelle Versorgung und bildet persönliche Gespräche nicht vollständig ab.

Mittel

OpenAI beschreibt MentalHealthBench als offenen Benchmark zur Bewertung von KI-Antworten in realitätsnahen Gesprächen über psychische Gesundheit. Er soll eine Lücke schließen, weil bisherige Prüfungen laut Beitrag vorwiegend Notfälle und allgemeine Sicherheitsregeln abdeckten. Die synthetischen Fälle umfassen Erwachsene, Jugendliche, Angehörige und Fachkräfte, verschiedene Regionen und Sprachen sowie alltägliche, hoch belastende und akute Situationen. Ihre Verteilung ist laut Beitrag keine Abbildung der tatsächlichen Häufigkeit solcher Gespräche bei ChatGPT.

Mehr als 80 lizenzierte Fachleute aus 22 Ländern entwickelten Kriterien für die Antworten. Mindestens drei prüften jeden Fall; Kriterien wurden übernommen, wenn mindestens zwei zustimmten und niemand widersprach. Ein automatischer Bewerter gleicht Modellantworten mit diesen Kriterien ab. OpenAI berichtet von Verbesserungen, etwa beim angemessenen Einholen von Kontext. Konkrete Modellwerte sind im bereitgestellten Text jedoch nicht enthalten; die Diagramme erscheinen nur als Verweise.

Eine separate Befragung von 44 Erwachsenen zu nicht akuten Gesprächen ergab unterschiedliche Akzente: Nutzende schätzten praktische nächste Schritte und einen hilfreichen Ton, Fachleute stärker Kontextklärung und sorgfältige Interpretation. Die Kriterien des Benchmarks blieben fachlich konsensbasiert. OpenAI weist darauf hin, dass ChatGPT keine Therapie ersetzt und kein Benchmark persönliche Gespräche vollständig erfasst. Auch könnten die Jugendtests, bei denen das Alter per Systemnachricht angegeben wurde, produktspezifische Schutzmechanismen nicht vollständig abbilden.

Ausführlich lesen

OpenAI stellt MentalHealthBench als offenen Benchmark vor, mit dem sich bewerten lassen soll, wie KI auf realitätsnahe Gespräche über psychische Gesundheit und emotionales Wohlbefinden reagiert. Der Beitrag begründet den Bedarf damit, dass bisherige Prüfungen vor allem Notfälle und allgemeine Sicherheitskriterien betrachtet hätten. Dadurch sei weniger darüber bekannt, ob Modelle auch bei alltäglichem Stress, Beziehungssorgen oder stärkerer, aber nicht unmittelbar lebensbedrohlicher Belastung angemessen und an fachlicher Anleitung orientiert antworten.

Der Benchmark umfasst laut OpenAI synthetische Gespräche, die mithilfe datenschutzwahrender Verfahren erstellt wurden und typische Nutzungsmuster abbilden sollen. Einige Szenarien enthalten zusätzliche Angaben zur Person, damit geprüft werden kann, ob ein Modell sie berücksichtigt. Die Fälle betreffen Erwachsene, Jugendliche zwischen 13 und 17 Jahren, Angehörige und Fachkräfte, verschiedene Sprachen und Regionen sowie drei Dringlichkeitsstufen: nicht akute Situationen, erhebliche Belastung ohne unmittelbaren Notfall und Notfälle, in denen rasche Unterstützung vor Ort wichtig ist. Die Szenarienmischung diene der Prüfung und bilde ausdrücklich nicht ab, wie häufig diese Themen in ChatGPT vorkommen.

An der Entwicklung waren nach Darstellung des Beitrags mehr als 80 lizenzierte Psychologinnen, Psychologen und Psychiaterinnen sowie Psychiater aus 22 Ländern beteiligt. Sie sprechen demnach 19 Sprachen und vertreten nahezu 20 Fachgebiete. Mindestens drei Fachleute prüften jedes Gespräch und formulierten Kriterien für die Antwort auf die jeweils letzte Nutzernachricht. Beibehalten wurden Kriterien, denen mindestens zwei zustimmten und denen keine dritte Person widersprach. Einzelne Kriterien bewerten erwünschtes oder schädliches Verhalten mit Punkten von −10 bis +10; größere Beträge stehen laut Beitrag für höhere klinische Bedeutung. Ein automatisches Bewertungssystem, im Artikel als GPT‑5.6 Sol bezeichnet, vergleicht Modellantworten mit diesen fachlich erstellten Kriterien.

OpenAI berichtet von fortlaufenden Leistungsverbesserungen bei KI-Modellen und nennt als Beispiel, dass neuere Modelle angemessener nach Kontext fragten. Der bereitgestellte Text enthält jedoch keine konkreten Punktwerte oder Ranglisten; die genannten Leistungsdiagramme liegen hier nur als Bildverweise vor. Eine ergänzende Untersuchung mit 44 Erwachsenen aus 16 Ländern und 14 Sprachen verglich, was Nutzende und Fachleute als hilfreiche Unterstützung ansehen. Sie beschränkte sich auf nicht akute Gespräche. Nutzende betonten besonders praktische nächste Schritte und den Ton, Fachleute eher das Erheben relevanter Informationen und den vorsichtigen Umgang mit Mehrdeutigkeit. Diese Untersuchung änderte laut Beitrag nicht die endgültigen, auf fachlichem Konsens beruhenden Bewertungskriterien.

OpenAI betont, ChatGPT ersetze weder Therapie noch professionelle Versorgung, und kein Benchmark erfasse alles, was in einem persönlichen Gespräch zählt. Weitere Grenzen nennt der Beitrag für die Prüfung von Jugendfällen: Das Alter wurde über eine Systemnachricht mitgeteilt, was zwar anbieterübergreifend funktionieren soll, aber möglicherweise nicht alle Schutzmechanismen einzelner Produkte abbildet. Die offene Veröffentlichung soll anderen ermöglichen, Methoden zu prüfen, eigene Bewertungen durchzuführen und die Arbeit weiterzuentwickeln.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna fasst den Bericht im Wesentlichen korrekt zusammen; eine Ungenauigkeit: Der Satz, dass ChatGPT keine Therapie ersetzt, wird in der kurzen Zusammenfassung dem Benchmark zugeschrieben, obwohl der Bericht diese Aussage über ChatGPT macht. Die Angabe, Kriterien würden übernommen, wenn niemand widerspreche, vereinfacht die Regel (nicht von einem Dritten widersprochen). Die Zusammenfassungen lassen mehrere zentrale Elemente des Berichts aus. Die Einordnung der Sammelfragen bleibt unabhängig von Lunas Stufen; der Bericht beantwortet keine der gestellten Fragen direkt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die vier Kernverhaltensweisen des Benchmarks (Sicherheit, Einholen von Kontext, Wahrung der Nutzerautonomie, konkrete Handlungshinweise)
  • Die Aufschlüsselung der Ergebnisse in zehn Verhaltensdimensionen
  • Die drei Akutstufen (alltäglich, hohe Belastung, Notfall) als Aufbau des Benchmarks
  • Die Gewichtung der Expertenkriterien von -10 bis +10
  • Die Aussage, dass der Benchmark offen veröffentlicht wird, damit andere Forschende ihn prüfen und eigene Auswertungen durchführen können

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 26 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %Hintergrund, keine Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 44 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 65 %einzelne zitierbare Belege
    • JEV 50 %umfangreiche Belege
    • amos 32 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 32 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 4 · 39 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV 40 %umfangreiche Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 5 · 41 % · umfangreiche Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
    • SF-V1-T12 Welche Messung würde einen überzeugen, dass ein Modell, das Anteilnahme nur vorführt, ein eigenes Interesse am Leben eines Menschen entwickelt hat? Luna: Stufe 3 · 47 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 76 %Hintergrund, keine Belege
    • JEV 27 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 39 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V3-T02 Wie macht man die Ausrichtung eines Modells an Werten zu prüfbaren Verhaltensregeln statt zu angestrebten menschlichen Eigenschaften wie der „Liebe zur Menschheit“? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 58 %umfangreiche Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra offen

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 34 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 24 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 51 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
  3. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV 38 %umfangreiche Belege
    • amos 27 %nur am Rande erwähnt
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E1-T09 Bekommen zivile Forschende an Hochschulen und unabhängige Organisationen der Zivilgesellschaft geregelten Zugang zu Modellen, Daten und Befunden der Prüfer, oder bleibt die Prüfung bei staatlich bestellten Stellen? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  3. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 57 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  4. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 33 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege
    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 44 % · Hintergrund, keine Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →