随着大型语言模型（LLMs）在心理健康支持中的应用日益广泛，现有的评估方法如流畅性指标、偏好测试和通用对话基准未能有效捕捉心理治疗的临床关键维度。THERAPYGYM框架的提出旨在沿着两个临床支柱评估和改进治疗聊天机器人：忠实性和安全性。忠实性通过认知疗法评分量表（CTRS）进行评估，该量表作为自动化流程实施，评分依据是对认知行为疗法（CBT）技术在多轮会话中的遵循程度。安全性则采用多标签注释方案...