LifeVal：AI开始考生活能力

OpenAI 在 11 月 2 日发布了 LifeVal，一套专门评估 AI 能否处理真实生活事务的新基准。它不再追问模型会不会解奥数、写代码或背知识点，而是考察 AI 能否帮用户选幼儿园、安排家人照护、购买预算内的食材、填写政府表格，乃至组织社区防洪志愿者。(openai.com)

LifeVal 是一套面向个人生活场景的 AI Agent 评测，核心目标是衡量模型能否把一件日常事务推进到可执行、可交付的状态。

这意味着，一份看起来正确的文字回答不再足够。AI 必须理解用户的具体处境，调用浏览器、计算机操作和外部服务连接能力，收集分散信息、比较多个方案，并在需要用户决定时明确停下来确认。

这也是 LifeVal 最值得关注的地方：OpenAI 正在重新定义什么叫“模型能力”。过去的能力是回答问题，现在的能力是接手任务。

GPT-6 Astra 得分 80.6%，但不是“成功率 80.6%”

GPT-6 Astra 在 LifeVal 上获得了 80.6% 的非加权平均奖励分，比 GPT-5.2 的 49.3% 高出 31.3 个百分点。

OpenAI 展示的模型演进曲线覆盖了五个版本。GPT-5.2 到 GPT-5.4 的提升最明显，一次增加了 23.7 个百分点；此后增幅逐渐收窄，GPT-5.6 到 GPT-6 Astra 只提高了 0.6 个百分点。(cellcog.ai)

| 模型 | 发布时间 | LifeVal 非加权平均奖励 | 较上一版本提升 | |---|---:|---:|---:| | GPT-5.2 | 2025 年 12 月 11 日 | 49.3% | — | | GPT-5.4 | 2026 年 3 月 5 日 | 73.0% | +23.7 个百分点 | | GPT-5.5 | 2026 年 4 月 23 日 | 77.4% | +4.4 个百分点 | | GPT-5.6 | 2026 年 7 月 9 日 | 80.0% | +2.6 个百分点 | | GPT-6 Astra | 2026 年 9 月 3 日 | 80.6% | +0.6 个百分点 |

这里必须强调，80.6% 是 OpenAI 标注的“Average reward（unweighted）”，即不同任务奖励分数的非加权平均值，并不等于模型有 80.6% 的概率能把用户交代的事情办成。

奖励分可能同时衡量信息是否完整、步骤是否合理、工具操作是否正确、结果是否符合用户约束，以及是否在敏感操作前请求确认。由于 OpenAI 尚未公布完整评分标准，外界无法把这一数字直接换算为任务完成率。

从曲线看，OpenAI 模型的生活任务能力已经进入平台期，而不是仍在直线上升。

GPT-5.2 到 GPT-5.4 的跃升，可能对应浏览器操作、工具调用和长流程执行能力的一次集中补课；GPT-5.6 到 GPT-6 Astra 仅增加 0.6 个百分点，则说明剩余问题已经不是简单扩大模型规模就能解决。

现实生活中的难点往往在最后 20%：网页突然改版、预约名额已经失效、家庭成员的要求互相冲突、政府表格存在地区差异，或者模型必须判断何时不能替用户做决定。Agent 的上限，越来越取决于系统工程和错误恢复能力，而不只是语言模型本身。

LifeVal 怎么选题：先看人每天在忙什么

LifeVal 的任务不是由研究人员凭空编写，而是从真实人群的时间分配和求助需求中筛选出来的。

OpenAI 首先参考了美国人时间使用调查和多国时间使用调查。这类调查记录不同人群在工作、照护、购物、通勤、家务和休闲活动上花费的时间，可以避免评测集只覆盖技术从业者熟悉的任务。

OpenAI 随后又调查了 3,995 名具有人口代表性的受访者，询问他们最希望个人 AI 助手在哪些事务上提供帮助。最终任务覆盖七类高频生活场景：

• 照护：寻找托育服务、安排老人或患病家人的日常照顾；
• 健康：设计饮食与锻炼计划，整理需要咨询医生的问题；
• 教育：比较学校、课程和活动，并处理报名流程；
• 家庭行政：搬家、车辆维护、账单和家庭文件管理；
• 个人财务：制定预算、比较支出和处理相关表格；
• 购物：在价格、饮食限制和配送条件下完成采购；
• 政府服务：查找资格要求、准备材料并填写行政表格。

这种选题方式比传统基准更接近市场需求，因为它先问用户“需要什么”，再问模型“能不能做”。

多数公开基准的逻辑恰好相反：研究者先设计一道方便评分的题，再观察模型是否答对。其优势是标准明确、便于重复，缺点是模型可能在榜单上越来越强，却没有减少用户完成现实任务所需的时间。

LifeVal 试图修正这个错位。它衡量的不是模型拥有多少知识，而是这些知识、工具和判断能否组合成一次真正有用的服务。

AI 不只是推荐幼儿园，还要把报名条件理清楚

LifeVal 把“给建议”和“完成工作流”区分开了。

以搬家后为孩子选择幼儿园为例，普通聊天模型可能输出一份附近幼儿园名单，再附上几个选择建议。LifeVal 要求模型进一步结合家庭住址、预算、通勤距离、孩子需求、入学资格和报名时间，筛选出少量真正合适的选项，并整理后续申请信息。

OpenAI 公布的五个代表性案例均获得了 90% 以上的分数：

| 代表性任务 | 展示分数 | 任务真正考察的能力 | |---|---:|---| | 搬家后选择合适的幼儿园 | 93.1% | 地理检索、条件筛选、报名信息整理 | | 洪水前组织社区志愿者 | 98.0% | 人员协调、风险排序、行动计划生成 | | 为家庭寻找符合条件的新住宅 | 100% | 预算判断、通勤计算、房产信息与行政流程 | | 与远方的祖母一起看比赛 | 96.3% | 设备适配、流媒体方案和备用流程 | | 为新确诊糖尿病的家长制定计划 | 90.4% | 饮食约束、照护安排和医疗边界判断 |

OpenAI 还列出了多项 GPT-6 Astra 最佳记录达到 100% 的任务，包括预约适合幼儿的感官课程、在公路旅行前预约车辆检查、按预算购买清真食材并整理电子表格，以及取消订阅邮件列表。(openai.com)

这些 100% 更接近“模型曾经完整做到过”，而不是“模型每次都能稳定做到”。

OpenAI 使用的是“best recorded score”，即最佳记录，但没有说明每项任务运行了多少次。如果一个 Agent 尝试十次后有一次满分，它证明了能力上限，却不能证明生产可靠性。

对普通用户来说，稳定性甚至比能力上限更重要。一个偶尔能完美完成报税准备、偶尔又漏掉关键收入项目的助手，实际价值可能低于一个只能完成 80%、但每次都会清楚标注未完成部分的系统。

LifeVal 与传统基准、GDPval 有什么不同

LifeVal 面向个人生活，GDPval 面向知识工作，而传统基准主要衡量可标准化的单项能力。

| 评测类型 | 主要对象 | 典型任务 | 评分重点 | 局限 | |---|---|---|---|---| | 传统知识与推理基准 | 基础模型 | 数学题、知识问答、代码题 | 答案是否正确 | 与真实工作流距离较远 | | GDPval | 职业与企业场景 | 法律文件、工程分析、医疗排班、商业材料 | 交付物是否达到专业标准 | 专业任务成本高、覆盖行业有限 | | LifeVal | 个人 AI 助手 | 育儿、购物、健康、财务、行政事务 | 是否把生活任务推进到可执行状态 | 数据集和评分方式尚未公开 |

GDPval 问的是“这份专业工作成果能不能交给同事”，LifeVal 问的是“这件生活琐事能不能真的替用户省下时间”。两者共同指向一个变化：前沿模型评测正在从静态问答转向真实交付物。

这类评测实际测量的是整套 Agent 系统，而不只是底层模型。

同一个模型接入不同的浏览器环境、搜索系统、用户记忆和权限管理机制，LifeVal 得分可能完全不同。模型是否知道该怎么做，只是第一步；它还要能够正确调用工具、读懂返回结果、发现失败、调整方案，并保留用户对支付、提交申请和医疗决策等关键动作的控制权。

因此，LifeVal 的成绩不能简单理解为 GPT-6 Astra 的纯模型跑分。它更像 ChatGPT 当前 Agent 技术栈的综合测试，涉及模型、浏览器操作、计算机操作、连接器、上下文记忆和安全策略。

真正的短板：它还是 OpenAI 给自己出的考试

LifeVal 目前更像 OpenAI 的内部产品指标，而不是能够跨实验室比较的公共基准。

截至 2026 年 11 月 3 日，OpenAI 没有公开完整任务集、任务总数、逐项评分规则、评分代码、运行环境、重复测试次数或置信区间，也没有提供 Claude、Gemini、Grok 等竞品模型的对比结果。

这带来三个问题。

第一，外部研究者无法复现 80.6% 的结果。即使使用同一模型，也不知道需要开放哪些工具、提供哪些用户资料，以及在哪些环节允许模型重试。

第二，OpenAI 已经使用 LifeVal 追踪和推动模型改进超过一年，这意味着评测集同时承担训练方向盘和成绩单的角色。模型可能确实变强了，也可能越来越适应 LifeVal 所偏好的任务结构。

第三，公开页面重点展示了高分案例。找房、车辆预约和取消邮件订阅可以达到 100%，但失败最频繁的任务、严重错误类型以及模型在重复运行中的波动没有被展示。

LifeVal 最缺的不是更多满分截图，而是失败报告。

对于真实生活 Agent，一次失败的性质差异很大。没找到最便宜的食材，可能只是体验问题；填错政府表格、忽略过敏信息或未经确认提交付款，则可能产生现实损失。

一套成熟的生活任务评测至少应该区分以下失败类型：

• 事实错误：使用过期信息、虚构政策或误读资格要求；
• 工具错误：打开错误页面、填写错误字段或没有检查操作结果；
• 约束遗漏：超出预算、忽略通勤时间或饮食禁忌；
• 权限错误：未经授权提交、购买、预约或分享敏感信息；
• 验证失败：声称任务已完成，却没有订单、回执或页面状态作为证据；
• 成本失控：任务可以完成，但耗时、调用次数或计算成本过高。

只有公开这些数据，LifeVal 才可能从 OpenAI 的产品宣传指标变成行业真正可用的测量工具。

LifeVal 真正预告的是 ChatGPT 的产品方向

LifeVal 的重要性不在于多了一张榜单，而在于它暴露了 OpenAI 对下一代 ChatGPT 的定义。

OpenAI 已经不满足于让 ChatGPT 成为回答质量更高的对话框。浏览器使用、计算机操作和连接器能力正在被组合成一个个人任务执行层：用户描述目标，系统读取上下文、访问服务、完成中间步骤，最后只把必须由人决定的事项交回来。

这个方向如果成立，ChatGPT 的竞争对象就不只是 Claude、Gemini 或其他聊天机器人，还包括搜索引擎、比价网站、日历工具、家庭记账软件和大量垂直生活服务。

但 LifeVal 同样说明，个人 Agent 比企业 Agent 更难建立统一标准。企业流程通常有固定权限、明确字段和可审计的结果；家庭生活充满模糊偏好、临时变化和隐私信息。所谓“最合适的幼儿园”没有唯一答案，而“帮我照顾刚确诊糖尿病的家人”更不应该被简化成一次自动化操作。

我们的判断是，LifeVal 的方向是对的，但现阶段的分数不宜被过度解读。

它比单纯考知识和推理的榜单更接近 AI 助手的真实价值，也准确抓住了 Agent 产品的核心矛盾：用户要的不是一篇建议，而是少跑几个网页、少填几张表、少花一个晚上。

不过，在任务集、评分器和失败样本公开之前，80.6% 只能说明 OpenAI 认为自己的系统正在变好，不能证明 GPT-6 Astra 已经可靠完成八成生活事务，更不能证明它领先于其他公司的 Agent。

LifeVal 把问题问对了：AI 到底能不能帮人把事情办完？

现在还缺的是一套让外界能够检查答案的公开方法。

参考来源

• IT之家：OpenAI 发布 LifeVal 基准，从选幼儿园到报税测试 AI 的生活技能——整理 LifeVal 的发布日期、任务来源、代表性案例与当前公开限制。