LingxiDiagBench：用于评测LLM中文精神科问诊与诊断的多智能体框架

精神障碍在全球高度流行，但精神科医生短缺以及基于访谈的诊断固有的主观性，为及时且一致的心理健康评估造成了重大障碍。AI辅助精神科诊断的进展受制于缺乏能同时提供真实患者模拟、经临床医生核验的诊断标签以及动态多轮问诊支持的基准。我们提出LingxiDiagBench，这是一个大规模多智能体基准，评估LLM在中文静态诊断推理与动态多轮精神科问诊两方面的表现。其核心是LingxiDiag-16K，一个包含16,000条与电子病历（EMR）对齐的合成问诊对话的数据集，旨在再现覆盖12个ICD-10精神科类别的真实临床人口学与诊断分布。通过在先进LLM上的大量实验，我们确立了关键发现：(1) 尽管LLM在抑郁-焦虑二分类上达到高准确率（最高92.3%），但在抑郁-焦虑共病识别（43.0%）和12类鉴别诊断（28.5%）上性能大幅下降；(2) 动态问诊常常逊于静态评估，表明低效的信息采集策略会显著损害下游诊断推理；(3) 由LLM-as-a-Judge评估的问诊质量与诊断准确率仅呈中等相关，表明仅凭结构良好的提问并不能保证正确的诊断决策。我们在 https://github.com/Lingxi-mental-health/LingxiDiagBench 发布LingxiDiag-16K与完整评估框架，以支持可复现研究。