LifeVal：OpenAI 用日常生活考验自家模型，但考卷自己出、自己改

2026年11月2日，OpenAI 发布了 LifeVal，这一基准测试衡量模型能在多大程度上办妥私人生活中的各种事务。消息通过该公司官网页面及其 X 官方账号的帖子公布。

先做一点方法说明，适用于本文其余全部内容：除非另有说明，基准测试的构成、分数和示例均引自 AI Weekly 和 CellCog，二者都援引了 LifeVal 的官方页面。仅见于其中一家媒体的信息会特别注明。

测试范围涵盖七个领域：照顾家人、健康、教育、家务管理、个人理财、购物以及与公共服务打交道。据 CellCog 介绍，光给出好建议还不够：模型必须行动，也就是浏览网页、操作电脑并通过连接器完成任务。“要让 AGI 造福全人类，它就应该帮助人们完成对他们最重要的日常任务。”该公司在 X 上的帖子中写道（笔者译）。LifeVal 把 GDPval 的思路延伸到了办公室之外的生活——2025年，OpenAI 曾用 GDPval 衡量模型在职业任务上的表现。它的推出正值各大实验室力推所谓的智能体助手，并把评判标准从回答的质量转向了行动的结果。

据两家媒体报道，OpenAI 已在内部使用 LifeVal 约一年，用来跟踪和改进自家模型在这些任务上的表现。任务清单来自三个来源：美国劳工统计局（Bureau of Labor Statistics）的 American Time Use Survey、Multinational Time Use Study，以及一项新调查——3,995 名受访者回答了他们希望助理在哪些方面帮忙，该公司称这项调查在人口统计上具有代表性。仅据 AI Weekly 报道，约一百名参与者还记录了他们希望委托出去的具体任务。“要成为真正有用的个人助理，ChatGPT 应当能够采取行动，把事情办成。”OpenAI 在 LifeVal 页面上写道（笔者译）。公布的平均分从 GPT-5.2 的 49.3% 升至 GPT-5.4 的 73.0%，随后是 GPT-5.5 的 77.4%、GPT-5.6 的 80.0% 和 GPT-6 Astra 的 80.6%。OpenAI 列举的例子包括：搬家后为孩子报名合适的幼儿园（93.1%）、洪水来临前组织志愿者（98.0%）、为刚确诊糖尿病的父亲或母亲安排饮食（90.4%），以及和奶奶异地一起看一场比赛（96.3%）。AI Weekly 称这些分数来自 GPT-6 Astra 有记录的最佳尝试。CellCog 还报道了一些 GPT-6 Astra 有记录的最佳尝试达到 100% 的任务，例如预约汽车年检、在预算内订购清真食品，以及退订邮件列表。需要记住，这是最佳尝试，而非平均水平。

疑点仍然不少。任务集未公开，没有排行榜，结果中也没有出现 Anthropic、Google、xAI 或 Meta 的任何模型。据 AI Weekly 报道，评估由 OpenAI 用自家系统执行和评分。在所查阅的来源中，该公司没有说明任务总数、reward 背后的评判标准、平均分基于多少次尝试，也没有说明测试是在真实网站上还是在测试副本上进行。同样不清楚这 3,995 名受访者是否为 ChatGPT 用户，因为 OpenAI 的帖子提到的是从数千名 ChatGPT 用户那里收集的反馈。就数字而言，从 GPT-5.6 到 GPT-6 Astra 只提高了 0.6 个百分点，曲线似乎在 80% 左右趋于平缓。OpenAI 没有解释瓶颈在于模型还是任务。LifeVal 提出了正确的问题：不只是助理答得好不好，而是它有没有真正把事情办完。但一场由同一只手出题、作答、批改的考试，讲述的更多是方向，而不是终点。如果有一天任务集公开，或者有竞争对手的模型接受同样的测试，那才是值得仔细解读的数字。

— Olya