OMIND：面向心理健康大语言模型的知识 grounding 微调与多轮对话基准框架
计算与语言
2026-03-27 v1
摘要
大型语言模型（LLM）在复杂任务上展现出惊人的能力，但在医学领域，尤其是心理健康领域的适配，仍面临特定挑战。心理健康是全球范围内日益受到关注的议题，而大型语言模型有巨大的潜力有助于解决这一问题。我们指出大型语言模型在心理健康领域面临的三大主要挑战：缺乏高质量可解释且以知识为依据的训练数据；训练范式受限于核心能力；以及在多轮对话设置下的评估问题。为此，我们提出了 oMind 框架，其中包括用于多样化能力（包括对话）的训练与对齐大型语言模型代理的机制；约16.4万个高质量多任务 SFT 数据集，源自我们基于结构化知识检索、基于大模型的剪枝与审阅动作构建的数据生成管道。我们还引入了 oMind-Chat——一个新颖的多轮基准数据集，包含专家标注的轮次级别和对话级别的评估标准。我们在核心能力和对话任务上的 diverse 实验表明，oMind 生成的大模型在基线模型上 consistently 获得更好表现。oMind-LLM 在推理能力上显著优于基线，胜率可达80%。
引用
@article{arxiv.2603.25105,
title = {OMIND: Framework for Knowledge Grounded Finetuning and Multi-Turn Dialogue Benchmark for Mental Health LLMs},
author = {Suraj Racha and Prashant Harish Joshi and Utkarsh Maurya and Nitin Yadav and Mridul Sharma and Ananya Kunisetty and Saranya Darisipudi and Nirmal Punjabi and Ganesh Ramakrishnan},
journal= {arXiv preprint arXiv:2603.25105},
year = {2026}
}
备注
9 pages, 3 figures, 5 tables