AI 开始接手生活琐事:OpenAI 发布 LifeVal,GPT-6 Astra 日常任务拿下 80.6%
OpenAI 发布 LifeVal,不考知识、改考 AI 能不能把生活琐事办成。GPT-6 Astra 平均 80.6%,高于 GPT-5.2 的 49.3%——但出题、阅卷、参赛的都是 OpenAI 自己。

同一周,OpenAI 连发了两张考卷。一张考 AI 能不能在实验室里当实验员,另一张考它能不能在生活里当帮手。后者叫 LifeVal,11 月 2 日公布。两张卷子考的不是同一件事:前者测的是专业判断,后者测的是把日子过下去的琐事——找托儿所、报幼儿园、订菜、跑政府手续、给刚确诊糖尿病的父母做一周食谱。OpenAI 的判断是,AI 的下一关不在考场上,而在这些没人愿意干、又不能干错的杂事里。

一、考的不是知识,是“把事办成”
LifeVal 的出题思路和过去的基准完全不同。传统的基准问模型“知道什么”,LifeVal 问的是“能办成什么”。OpenAI 在官方页面上把话说得很直白:一个人想让生活变轻松,需要的不只是建议或一段聊天回复;要成为真正有用的个人助手,ChatGPT 得能采取行动,把事情真正做完。于是任务的终点不是一段漂亮的回答,而是一个办成的结果:幼儿园的名单已经比好、房产的契税已经算好、地契已经放进县政府的待办清单里等你确认。
任务从哪来,是这份考卷最花心思的地方。OpenAI 先用了两份时间使用调查打底:美国劳工统计局的美国时间使用调查(American Time Use Survey),以及跨国的多国时间使用研究(Multinational Time Use Study)。这两份数据记录了不同人群、不同时段、不同季节里人们真实的时间花销,等于一张“普通人的一天到底在忙什么”的总目录。在此基础上,OpenAI 又做了一份新调查,找了 3995 名在人口结构上有代表性的受访者,逐项问他们最希望个人助手在哪些事上搭把手。最后落下来的任务覆盖七个领域:照护、健康、教育、家庭行政、个人财务、购物,以及使用政府服务。
官方页面贴出了五个例题,每道都带一个分数。搬家后给孩子报合适的幼儿园,93.1%;洪水来临前组织社区志愿者,98.0%;在宾夕法尼亚州卢泽恩县给一家人找符合预算、带独立居住单元、上学接送后通勤还短的房子,100%;帮远方的奶奶搭一套能一起看球的办法,96.3%;给刚确诊糖尿病的父母做第一周的照护和食谱计划,90.4%。这些分数看着很高,但先别急着下结论——分数的算法和口径,后面还要单独拆开说。
五道例题里有个细节值得单独拎出来:在报幼儿园那道题里,模型把范围缩小到三所、把报名细节整理好,然后说“还有两个偏好需要你来定,要不要一起过一遍这份名单?”它没有替用户拍板,也没有把问题原样推回去,而是把活儿干到“只差一个决定”的位置停下来。这恰恰是生活类任务最难、也最容易被忽略的一点:知道什么时候该停、什么时候该问。一个好的生活助手不是什么都替你决定,而是把 90% 的脏活干完,把真正需要你判断的 10% 清清楚楚地摆到你面前。LifeVal 给这种“懂得停”的行为打了高分,这个评分取向本身,比分数更值得肯定。
值得注意的是完成任务的手段。LifeVal 的任务不是让模型坐在那里写文章,而是让它动用浏览器操作、电脑操作和各种服务连接,去翻网站、填表格、比价格、做汇总。换句话说,考的正是过去一年里被反复提起的那套智能体能力:同一套本事,写代码时用来跑测试、改文件,到了生活里就用来办事。OpenAI 还说,过去一年里他们一直拿这套评估来追踪和推动模型在日常任务上的进步——LifeVal 在公开之前,已经先在内部当了一年的尺子。
二、3995 个人先回答了一个问题:最想甩掉的是哪些事
LifeVal 的题目不是研究员坐在办公室里编出来的,这一点值得先肯定。OpenAI 的做法是先看人,再出题。两份时间使用调查提供了“人的一天到底怎么过的”的底本:美国劳工统计局的美国时间使用调查记录了美国人每天在照护、工作、家务、社交上花多少时间,多国时间使用研究则把上百万个日记日、100 多项全国性调查汇成同一套格式。它们合起来回答的是一个很朴素的问题:普通人的时间,到底都去哪了。
但“花时间”和“想甩掉”是两回事。很多人花大量时间陪孩子,并不想把这件事外包;反过来,有些只占一小块时间的事——比如跑一趟政府网站、比三家幼儿园、算一笔家庭预算——却最让人头疼。所以 OpenAI 又补了一份 3995 人的新调查,逐项问受访者最希望个人助手在哪些事上帮忙。七个领域就是这样筛出来的:照护、健康、教育、家庭行政、个人财务、购物、使用政府服务。官方页面开头列的例子很具体:找托儿所、办政府手续、做预算、准备入学、改食谱、订杂货、设计健身计划。没有一道题是“写一首十四行诗”或“解释量子纠缠”,全是那种“不难,但是烦,而且不能错”的事。
这个出题方法也有它的盲区,值得说在前面。3995 人的调查号称“在人口结构上有代表性”,但 OpenAI 没有说明它代表的是哪个人口——是美国用户,还是全球用户?时间使用调查本身也以美国和参与多国研究的国家为主。一个在东京挤电车的上班族和一个在得州开皮卡的家长,每天要办的“琐事”并不一样。LifeVal 测的与其说是“全人类的日常生活”,不如说是“以美国为中心的一份日常生活样本”。这并不让它失去价值,但读者在读分数的时候,应该知道这张卷子的适用范围。
还有一个背景数字:OpenAI 说每周使用 ChatGPT 的人已经超过十亿。这个数字是 LifeVal 存在的理由——当你的用户是一座城市的十倍、一个国家的几倍时,“帮每个人把日子过好”就不再是一句口号,而是一条产品线。LifeVal 就是这条产品线的验收标准:它要回答的不是模型有多聪明,而是十亿人的琐事里,模型能接过去多少。
三、从 49.3% 到 80.6%:进步是真的,但要先看清分母
官方页面本身没有贴出总分表,只写了一句“我们最新的模型在许多 LifeVal 任务上得分非常高”。完整的分数曲线来自 OpenAI 公布的图表,经多家独立报道转述:GPT-5.2(2025 年 12 月)平均 49.3%,GPT-5.4 为 73.0%,GPT-5.5 为 77.4%,GPT-5.6 为 80.0%,最新的 GPT-6 Astra 为 80.6%。不到一年,从不及格线爬到八成,这是实打实的进步曲线。而且不只是分数在涨:据报道,Astra 完成这些任务的速度比 GPT-5.6 快约 23%,而 GPT-5.6 在表现接近的前提下,预估 API 成本只有一半左右。也就是说,这一年进步的不只是“会不会”,还有“多快”和“多贵”。
但 80.6% 这个数字必须配上它的定义才能读。它是“平均奖励”(average reward),不是“任务完成率”。每道任务按完成程度给部分分,再把各题平均起来。一次幼儿园报名,名单列对了、费用算清了、只剩两个偏好要你拍板,就能拿到九成多的分;但这和“十次里有八次全程不用你管”是两回事。OpenAI 另外列出的六道“Astra 最好成绩 100%”的任务——比如赶在长途旅行前约好验车、在预算内订好清真食材并逐项列进表格、退订邮件列表——标注的是“最好的一次”,不是平均水平。最好成绩和平均水平之间的距离,恰恰是日常使用中最让人恼火的部分:偶尔一次办得漂亮不难,难的是次次都稳。
所以这条曲线真正说明的,是智能体从“经常掉链子”走到了“多数时候能交差”。对每天和 AI 打交道的人来说,这个区间的变化是有体感的:一年前让模型帮你跑一趟政府网站,多半中途就卡住;现在它能把大部分流程走完,只在最后几步把决定权交还给你。进步真实存在,但“八成”离“放心交出去”还有一段路。
这条曲线对实际选模型的人还有一层意思:最贵的未必是答案。GPT-5.6 的分数是 80.0%,只比 Astra 的 80.6% 低 0.6 个点,但据报道预估 API 成本只有一半左右;Astra 则快约 23%。如果你要批量跑生活类任务——比如每天帮几十个用户比价、填表、整理材料——5.6 的性价比明显更高;如果你要的是单次任务最快办完、等不起,Astra 才值得多花那份钱。基准的价值不只在排名,更在这种“够用就好”的算账上。可惜的是,这笔账目前只能在 OpenAI 自家产品线内部算,因为没有别家的模型上过同一张卷子。
四、这份考卷最大的问题:出题、阅卷、参赛的都是同一家
LifeVal 的硬伤不在题目出得好不好,而在它是谁出的、谁判的、谁参赛的。答案是同一家:OpenAI 设计了任务、制定了评分标准、跑了测试,参赛的也只有自家模型。官方页面没有公布完整题库、没有公布评分细则,也没有放出数据集和代码让别人复跑。竞争对手的模型没有出现在任何一张表里。CNN 在报道中把它称为“一个新的内部工具”,这个定性很准确:它首先是 OpenAI 内部用来量自己进步的尺子,其次才是一份公开的成绩单。
这不是说分数造假,而是说分数的用途有限。一把只量自己的尺子,能告诉你“我们比去年强了多少”,但回答不了“我们和别人比怎么样”。更关键的是,题目的选择本身就可能偏向出题人擅长的方向。OpenAI 在页面上说,题目还参考了约 100 名真实用户的实际请求(据 CNN 报道),参与者提供了真实场景和评判标准。这比凭空出题要扎实,但样本仍然来自 OpenAI 自己的用户池,覆盖面天然有限。
还有一个细节值得留意:五道例题的分数高得整齐,93.1% 到 100% 之间。例题是用来展示的,挑出来的自然是模型表现好的任务。真正的题库有多大、难题占比多少、模型在最难的那批任务上表现如何,页面上一概没说。OpenAI 的研究员 Jenny Yang 对 CNN 表示,LifeVal 的目的是帮公司发现模型的进步和 remaining 的短板——这话本身没问题,但短板具体在哪,公众目前看不到。
所以对这份成绩单的正确读法是:把它当作 OpenAI 的内部进度汇报,而不是行业排行榜。它证明了一件事——OpenAI 自己的模型在“办生活琐事”这件事上一年里进步很大;它没有证明的,是这件事上谁最强、以及离“不用人操心”还有多远。
五、同一天,另一张考卷给了 12%
有意思的是,LifeVal 公布的同一天,另一家机构交出了一份冷峻得多的答卷。SemiAnalysis 当天发布的 GDPx 是一套 206 道长任务的专业基准,横跨 11 个高价值领域,每道任务最长可达 8 小时,考的是真正的职业级工作。结果是 12.0% 的通过率。同一天,同一类机器,一边是日常琐事 80.6%,一边是专业长任务 12%——两张卷子拼在一起,智能体今天的真实画像才完整。
这个反差恰恰是 LifeVal 最有价值的地方。它划出了一条线:半小时的差事和八小时的项目,是两种完全不同的难度。找房子、订菜、退订邮件,是目标清晰、步骤有限、错了能挽回的任务;做一份八小时的专业工作,需要持续的判断、跨步骤的记忆、出错后的自我纠正,任何一环断掉都可能前功尽弃。今天的智能体已经摸到了前者的门把手,后者还远得很。
LifeVal 也不是凭空冒出来的,它有前传。OpenAI 此前已经有了一个测职业级工作的基准 GDPVal,考的是模型处理专业任务的能力。LifeVal 和 GDPVal 拼在一起,构成了一套“工作加生活”的完整量尺:上班的八小时归 GDPVal,下班后的琐事归 LifeVal。两张卷子同一天摆出来,说明 OpenAI 对智能体的野心已经不满足于“帮你写代码”,而是要“帮你过日子”。这个野心本身没有错,但它也意味着评估的责任更重了——工作任务错了可以重做,生活任务错了,有时没有重来的机会。
对 vibe coding 来说,这个结论可以直接平移。写一个 landing 页、修一个报错、加一个小功能,是“半小时差事”那一侧的任务,模型已经能交差;从零搭一个多模块的产品、跨几天保持架构一致,是“八小时项目”那一侧,仍然需要人盯着。LifeVal 的 80.6% 和 GDPx 的 12% 合起来,描述的正是今天 AI 编程的真实水位:顺手的事越来越顺手,难的事依然得人来兜底。
六、这张卷子真正改变的,是“考什么”
LifeVal 最值得讨论的不是分数,而是它把“好模型”的定义往前推了一步。过去几年,模型的好坏由考试成绩定义:数学、代码、推理,一道道选择题和编程题。现在 OpenAI 说,真正重要的,是模型能不能帮普通人把日子过好。这个转向本身比任何一个分数都重要,因为它决定了接下来一年各家实验室往哪里使劲:浏览器操作、电脑操作、服务连接这些“动手”的能力,正在从附加功能变成主战场。
但转向也带来了新的风险。生活琐事和考试题不一样,错了的代价是真实的:幼儿园选错了,孩子要多跑一学期;税表填错了,罚单会寄到家里;药单配错了,后果更严重。分数可以拿部分分,生活不行——要么办成了,要么没办成。LifeVal 用“平均奖励”这种温和的算法,恰恰掩盖了这一点:一道题拿 90 分听起来不错,但如果丢掉的那 10 分正好是“别把药名搞错”,那这 90 分一文不值。未来的生活类基准如果想让人信服,得先学会像生活本身那样计分:关键步骤错了,就是零分。
接下来值得盯的三件事都很具体。第一,OpenAI 会不会把题库和评分标准公开,让别人能复跑、能比较——不公开,它就永远只是一份内部汇报。第二,有没有第三方拿同一套任务去测别家的模型,补上排行榜缺掉的那一半。第三,LifeVal 会不会从“展示进步”变成“倒逼产品”:如果 ChatGPT 真要按这个标准去接生活里的差事,犯错的兜底机制、关键步骤的人工确认、出错后的赔偿责任,都得跟上。分数可以一年涨三十个点,信任的建立要慢得多。
一句话总结:LifeVal 证明了 AI 办生活琐事的能力正在快速变好,也证明了衡量这种能力的尺子本身还不成熟。80.6% 是个值得记住的数字,但更值得记住的是它背后的提醒——当 AI 从考场走进生活,重要的不再是它答对了多少题,而是它办砸了哪一次。
评论 (0)
原始来源
相关文章
2026 年 11 月 18 日,谷歌研究院等团队在 arXiv 发布 BuggyMLE:往 222 个能跑的机器学习仓库里注入 bug,14 个模型从最简单的 95% 一路跌到最难的 9%。一个 90 亿参数的小模型靠从易到难的课表,在 10 个 bug 那档超过了 Claude Opus 5.5。
2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。
2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。