OpenAI新基准LifeVal 评测日常个人事务能力

时间：2026年11月2日。 地点：美国旧金山；OpenAI 总部，以及参与调研的 ChatGPT 用户样本。 人物：OpenAI，以及参与本次调研的 3995 名 ChatGPT 用户。 事件详情：OpenAI 发布 LifeVal，一套用来衡量模型在日常个人事务上完成度的评测基准。任务清单来自两项时间使用研究，以及一项针对 3995 名受访者的新调研，问的是人们最希望 AI 助理在哪些地方帮上忙。覆盖的日常场景包括寻找托儿服务、预约车辆年检、办理政府文书等，也涉及个人财务、膳食规划与购物。OpenAI 称过去一年一直在用这套评测跟踪并改进模型在日常任务上的表现，浏览器操作、计算机操作与连接器类任务的能力也被纳入其中。公开分数显示，GPT-6 Astra 的平均奖励分为 80.6%，GPT-5.6 为 80.0%，而 2025 年 12 月发布的 GPT-5.2 为 49.3%。 背景：主流评测长期集中在代码、数学与知识问答这类高难度任务，LifeVal 换了一个坐标，衡量的是模型能不能真的替用户把杂事办完。这类生活化任务此前更多出现在厂商自己的内部评估里，OpenAI 把它单独公开并给出跨版本曲线，等于把一条原本不对外的产品路线指标变成了公开基准。 影响：对做个人助理与智能体产品的团队，这给日常事务完成度提供了一个可比的公开口径，选模型时可以不再只盯代码分与推理分。对普通用户，厂商后续的模型升级会更明显地围绕找托儿、办福利、算预算这类麻烦事展开，而不是只在榜单上刷分。需要留意的是，这套评测由提出方自己定义，任务类型与权重都由 OpenAI 决定，跨厂商比较时仍要回到具体任务清单，不能只看一个平均分。 总结：LifeVal 把 AI 到底能不能帮上忙这件事从口号变成了一个能量化的指标，而且是厂商自己拿来做模型路线的指标。方向信号很明确，能力评测的重心正在从高难度学术任务转向日常任务的完成度。对开发者和使用者来说，它的价值在于一份公开的任务清单和一组可复现的分数，而不在于某一个单独数字。 参考来源： OpenAI 官方账号：介绍 LifeVal 基准 https://x.com/OpenAI/status/2117307611338997846 AlphaSignal：OpenAI的LifeVal用真实生活杂务而非只考编程 https://alphasignal.ai/news/openai-s-lifeval-judges-ai-on-real-life-errands-not-just-coding 5toy：OpenAI介绍LifeVal基准 评估日常个人助理任务 https://5toy.com/s/19018 Techub News：OpenAI发布LifeVal基准 评估AI助手日常任务能力 https://techub.news/flash/54a01e75-3a21-458e-ae7e-b661cf0cb02f rss.bz：OpenAI推出LifeVal 面向日常个人助理任务的基准测试 https://rss.bz/zh/post/openai-lifeval-benchmark cellcog：OpenAI LifeVal 分数对比 GPT-6 Astra 与前代模型 https://cellcog.ai/blog/openai-lifeval/ BuzzRadr：LifeVal 官方说明 覆盖用户最希望获得帮助的日常任务 https://buzzradr.com/ai/ai_topic_6aw77s