DistressBench 发布显示大模型在危机干预中拒绝策略失效而护理能力不足

该论文发布 DistressBench 基准，包含 718 条由临床医生撰写的自杀与自残（SSH）危机对话，旨在评估大语言模型在情感支持而非单纯信息提供场景下的表现。研究发现，25 个前沿模型中最佳者仅满足 88.4% 的加权护理标准，中位数模型为 71.4%，远低于临床参考回答的 98.7%。现有安全基准主要考核模型的拒绝行为，但在此类场景中用户需要实质性的支持回应，而非简单的拒绝。

数据揭示关键短板集中在行动维度：在所有 25 个模型中，有 35.3% 的情况是模型虽然识别了危机，却未能引导用户寻求人类帮助。多轮对话得分（68.5%）低于单轮对话（74.2%）。能力差距显著体现在不同维度上，最强模型在情绪降级（de-escalation）上达到 74.6%，而中位数模型仅为 46.0%；安全免责声明方面，最强模型为 84.6%，中位数模型低至 8.3%。

事实层面，该基准通过加权原子标准量化护理交付比例，并公开了语料库、评分标准和校准标签。推断层面，这表明当前模型的安全对齐过度偏向“不伤害”的消极防御，缺乏主动干预和转介资源的积极能力。猜测层面，若部署要求模型处理真实危机，现有的基于拒绝率的评估体系可能掩盖了严重的服务缺口，需将情绪降级和资源路由纳入硬性部署指标。