MentraSuite：用于心理健康推理和评估的后训练大型语言模型

精神疾病在全球影响数亿人，而互联网现已成为获取支持、信息和评估的主要媒介。大型语言模型（LLM）提供了可扩展且易于访问的帮助，但当其推理不完整、不一致或缺乏依据时，将其部署在精神健康环境中仍然存在风险。现有的心理学LLM强调情感理解或知识回忆，但忽视了评估、诊断、干预规划、抽象和验证所需的逐步、临床一致的推理。为了解决这些问题，我们引入了MentraSuite，一个用于推进可靠精神健康推理的统一框架。我们提出了MentraBench，一个全面的基准，涵盖五个核心推理方面、六个任务和13个数据集，评估任务性能和推理质量的五个维度：简洁性、连贯性、幻觉避免、任务理解和内部一致性。我们进一步提出了Mindora，一个通过混合SFT-RL框架优化的后训练模型，并带有不一致性检测奖励，以强制执行忠实和连贯的推理。为了支持训练，我们使用新颖的推理轨迹生成策略构建高质量轨迹，该策略战略性地过滤难题样本，并应用结构化、面向一致性的重写过程，以产生简洁、可读且平衡的轨迹。在20个评估的LLM中，Mindora在MentraBench上取得了最高的平均性能，并在推理可靠性方面表现出色，证明了其在复杂精神健康场景中的有效性。