LifeVal: OpenAI sprawdza swoje modele w codziennym życiu, ale egzamin układa i ocenia we własnym zakresie

2 listopada 2026 roku OpenAI zaprezentowało LifeVal, benchmark mierzący, na ile model potrafi doprowadzić do końca sprawy z życia prywatnego. Zapowiedź pojawiła się na oficjalnej stronie firmy oraz w poście jej konta na X.

Uwaga metodologiczna dotycząca całej dalszej części artykułu: o ile nie zaznaczono inaczej, konstrukcja benchmarku, wyniki i przykłady pochodzą z AI Weekly i CellCog, które powołują się na oficjalną stronę LifeVal. Dane obecne tylko w jednym z tych dwóch serwisów są oznaczone.

Zakres obejmuje siedem obszarów: opiekę nad bliskimi, zdrowie, edukację, prowadzenie domu, finanse osobiste, zakupy i kontakty z usługami publicznymi. Według CellCog dobra rada nie wystarczy: model musi działać, czyli poruszać się po sieci, obsługiwać komputer i korzystać z konektorów. „Aby AGI przyniosła korzyść całej ludzkości, powinna pomagać ludziom w codziennych zadaniach, które są dla nich najważniejsze” – czytamy w poście firmy na X, tu w naszym przekładzie. LifeVal przenosi na życie poza biurem podejście GDPval, benchmarku, którym OpenAI w 2025 roku mierzyło modele na zadaniach zawodowych. Pojawia się w chwili, gdy wielkie laboratoria forsują tak zwanych asystentów agentowych, i przesuwa miarę oceny z jakości odpowiedzi na skutek działania.

Według obu serwisów OpenAI używało LifeVal wewnętrznie przez mniej więcej rok, by śledzić i ulepszać swoje modele w tych zadaniach. Lista czynności opiera się na trzech źródłach: American Time Use Survey amerykańskiego Bureau of Labor Statistics, Multinational Time Use Study oraz nowej ankiecie wśród 3995 respondentów o tym, w czym chcieliby pomocy asystenta, którą firma określa jako reprezentatywną demograficznie. Według samego AI Weekly około stu uczestników zanotowało też konkretne zadania, które chętnie by komuś zleciło. „Aby być naprawdę użytecznym osobistym asystentem, ChatGPT powinien umieć podejmować działania, które doprowadzają sprawy do końca” – pisze OpenAI na stronie LifeVal, w naszym przekładzie. Opublikowane średnie wyniki rosną z 49,3% dla GPT-5.2 do 73,0% dla GPT-5.4, potem do 77,4% dla GPT-5.5, 80,0% dla GPT-5.6 i 80,6% dla GPT-6 Astra. Wśród przykładów wskazanych przez OpenAI są zapisanie dziecka do odpowiedniego przedszkola po przeprowadzce (93,1%), koordynowanie wolontariuszy przed powodzią (98,0%), posiłki dla rodzica ze świeżo zdiagnozowaną cukrzycą (90,4%) i mecz oglądany na odległość razem z babcią (96,3%). AI Weekly przypisuje te wyniki najlepszym zarejestrowanym próbom GPT-6 Astra. CellCog podaje też zadania, w których najlepsza zarejestrowana próba GPT-6 Astra osiągnęła 100%, takie jak umówienie przeglądu samochodu, zamówienie zakupów halal w ramach budżetu i wypisanie się z list mailingowych. Warto pamiętać, że chodzi o najlepszą próbę, a nie o średnią.

Szarych stref zostaje sporo. Zestaw zadań nie jest publiczny, nie ma rankingu, a w wynikach nie pojawia się żaden model Anthropic, Google, xAI ani Meta. Według AI Weekly ocenę przeprowadza i sprawdza OpenAI za pomocą własnych systemów. W przejrzanych źródłach firma nie podaje, ile jest zadań, jakie kryterium stoi za rewardem, z ilu prób liczona jest średnia ani czy testy odbywają się na prawdziwych stronach, czy na ich testowych kopiach. Nie wiadomo też, czy 3995 respondentów to byli użytkownicy ChatGPT, skoro post OpenAI mówi o opiniach zebranych od tysięcy użytkowników ChatGPT. Co do liczb: krok od GPT-5.6 do GPT-6 Astra to sześć dziesiątych punktu, a krzywa wydaje się stabilizować w okolicach 80%. OpenAI nie wyjaśnia, czy granica leży w modelach, czy w zadaniach. LifeVal stawia właściwe pytanie: nie tylko czy asystent dobrze odpowiedział, ale czy naprawdę załatwił sprawę. Jednak egzamin ułożony, zdany i oceniony przez tę samą rękę mówi więcej o kierunku niż o mecie. Gdyby pewnego dnia zadania stały się publiczne albo gdyby konkurencyjny model przeszedł ten sam test, to właśnie tę liczbę trzeba będzie przeczytać uważnie.

— Olya