11月2日，OpenAI发布了一份名为LifeVal的评测基准。它的任务池不是凭空设计的，起点是美国劳工统计局的American Time Use Survey和Multinational Time Use Study——两份记录普通人一天怎么过的数据源。团队从中找出高频、可委派的日常事务，然后向3995名具有人口代表性的受访者发放问卷，筛选出人们最希望AI个人助理分担的方向，最终覆盖照护、健康、教育、家庭行政、个人财务、购物与政府服务七大类。
题目不是研究员闭门写的。约100名用户参与了具体任务的撰写，每人必须展示对应领域的真实经验——比如提报财务规划任务的人，需要有多年与财务顾问共事的背景。用户同时提供了完成这些任务所需的个人上下文：地址、预算上限、通勤时间、孩子的特殊需求、聊天记录里已透露的偏好。这就把评测从“一道题一个正确答案”推向了“一套约束条件里找到最适合你的那个解”。
80.6%意味着什么：GPT-6 Astra与GPT-5.2之间的九个月
OpenAI公布的核心数字是平均奖励：GPT-6 Astra取得80.6%，2025年12月发布的GPT-5.2为49.3%。不到九个月，提升超过31个百分点。内部表格里还有一些具体场景的分数：搬家后对比并入围幼儿园93.1%，组织社区防洪志愿者98.0%，在Luzerne County按预算和通勤要求找到带独立居住单元的房子并生成产权契据100%，为刚确诊糖尿病的父母制定首周护理与餐食计划90.4%。GPT-6 Astra在预约车辆年检、订购清真食品杂货等任务上也有达到100%的记录。
但80.6%这个数字需要配上一句说明：它来自OpenAI自己的评测系统，用OpenAI自己的模型打分，任务集和评分细则未对外公开。没有第三方复现，也没有与竞争对手的横向对比。它衡量的是“OpenAI模型在OpenAI设定的日常任务上的平均表现”，而不是“市面上的AI个人助理在真实生活里能帮你办成多少事”。
评测本身的边角料：那些没有写进公告的事
LifeVal的局限不止于“内部自评”。任务总数、每个任务的样本量、奖励的具体计算方式、由谁来评分、是在真实网站上执行还是在模拟环境中运行，公告均未披露。部分展示的分数是“最佳尝试”的结果，而非固定配置下的典型通过率。日常任务本身也具有主观性——一个“适合”的幼儿园和一个“好”的餐食计划，最终判断权在用户手里，评分标准只能覆盖预算、距离、饮食限制等可量化的约束。
这些空白并不意味着LifeVal没有价值。它的方法论值得借鉴：用时间使用数据框定高频场景，用代表性调查筛选真实需求，让有领域经验的用户参与出题并定义成功标准。这套流程比“研究员拍脑袋想几个提示词”更贴近普通人的实际使用。但方法论的可借鉴性，与分数的可引用性是两件事。93.1%、98.0%、100%这类数字，在样本量、方差和复现条件明确之前，更适合被看作方向性信号，而非可以直接写进产品页的性能承诺。
LifeVal在OpenAI评测体系里的位置
LifeVal不是孤立的。去年OpenAI发布过GDPval，用于衡量模型在跨行业工作中的任务表现。LifeVal将同一套逻辑从职业场景延伸到了家庭生活：如果AGI要让所有人都受益，那它得先学会帮人找个靠谱的幼儿园、给刚确诊糖尿病的父母排一周的饭、在搬家后把产权契据放进县记录的手推车里。与此同时，Google、Meta、Anthropic都在推进各自的个人智能体产品线，OpenAI的Dots、Meta的Muse、Anthropic的Claude Duet构成了同一赛道的直接竞争。
从这个角度看，LifeVal既是一份评测，也是一份产品路线图的旁白。公告里那句“模型在浏览器使用、计算机使用和连接器任务上变得更快、更强、更对齐”，指向的正是ChatGPT从聊天工具向真正能“动手办事”的个人智能体演进的路径。80.6%的成绩单，是在为这条路线的下一段行程做背书。
（素材来自：OpenAI 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。