OpenAI 于 2026 年 11 月 2 日发布 LifeVal，用于衡量其模型在日常个人助理类任务上的表现。官方称过去一年用该评测跟踪并推动模型进步，目标不只是聊天答疑，而是把事情办完。

页面上的主图把 GPT-6 Astra 标为未加权平均奖励 80.6%，GPT-5.2 为 49.3%；多家核对过该图的报道数字一致。页面上另有若干示例任务卡片分数更高，那是精选演示，不是平均分。

关键事实

项目 内容
名称 LifeVal
发布方 OpenAI（研究博文，2026 年 11 月 2 日）
衡量对象 模型在日常个人助理任务上的表现
官方列出的任务领域 照护、健康、教育、家庭事务、个人理财、购物、获取政府服务
任务来源 美国时间使用调查、多国时间使用研究，以及针对 3995 名受访者的人口代表性调查
主图分数（OpenAI 图表，未加权平均奖励） GPT-6 Astra 80.6%；GPT-5.2 49.3%
同图中间点 GPT-5.4 73.0%；GPT-5.5 77.4%；GPT-5.6 80.0%
页面示例卡片（精选演示） 搬家后选幼儿园 93.1%；洪水前组织志愿者 98.0%；为家庭找房 100%；远程陪老人看比赛 96.3%；糖尿病诊断后备餐 90.4%
OpenAI 归因的能力方向 浏览器使用、电脑使用、连接器
  • 口径。 官方与二手报道均把主图数字写成任务间未加权的平均奖励；页面未公开可下载的任务集或评分器。
  • 范围。 图表与示例只覆盖 OpenAI 自家模型，未见第三方模型分数。

背景

OpenAI 把 LifeVal 对照常见的知识型学术评测来写。它先从美欧等地的时间使用调查里梳理日常活动，再调查人们最希望个人助理帮忙的环节。任务场景包括找托儿、办政务、做预算、购物等家庭事务。

公司称过去一年加强了浏览器使用、电脑使用和连接器相关训练，并在 ChatGPT 里启用这些能力，以扩大可尝试的任务范围。LifeVal 被写成这段训练期间用来盯进度的尺子。

反响与影响

Brocker、AI Affairs、Nerds Magazine 等核对过博文的报道，均复述 80.6% / 49.3% 这一对主图数字，并指出同一局限：OpenAI 自评、任务集未公开、示例卡是高分样例而非均值。Brocker 还写到，图表时间线上 GPT-6 Astra 的 80.6% 只比 GPT-5.6 的 80.0% 高 0.6 个百分点。

尚待确认

  • 确切任务数量、评分细则与评分器校准方式（官方未公布）
  • 是否会开放任务集供独立复现或跨厂牌排行
  • 图表终点 GPT-6 Astra 之后发布的模型分数
  • 平均奖励与真实不受控场景成功率如何对应

来源