OpenAI 发布 LifeVal 评测，用日常任务衡量模型表现

OpenAI于2026年11月2日发布了LifeVal，这是一项部分基于一项3995名受访者调查构建的评测，用于长期追踪AI模型在找托儿、做预算和订购杂货等实际工作上的表现。

LifeVal涵盖用户希望从AI和个人智能体获得帮助的领域。过去一年，OpenAI一直使用该评测来监测模型结果，并指导日常任务方面的改进。其衡量目标是实用协助：模型能否帮助人们做出决策、处理日常职责并执行有意义的行动。这使关注点超越了针对模型知识的学术测试。实用协助的其他例子包括获取政府服务、为上学做准备、修改食谱和设计锻炼计划。

OpenAI从两项覆盖美国及其他国家的研究开始进行任务选择。《美国时间使用调查》衡量人们在有偿工作、育儿、志愿服务和社交等活动上花费的时间。《跨国时间使用研究》将来自100多项随机抽样的全国性调查的超过100万个日记日整合为单一标准化格式。它支持分析30个国家在55年间花在工作与休闲活动上的时间。

结合使用时，这些数据集显示了日常活动如何因人口群体、一天中的时段和季节而异。OpenAI用一项新的人口统计代表性调查对其进行了补充，该调查针对每项任务提出问题，以确定受访者希望在哪些方面获得个人助理的帮助。由此产生的任务领域包括照护、健康、教育、家庭事务、个人财务、购物和获取政府服务。

五个工作流上的报告得分

OpenAI报告了其当前模型在五个实际工作流上的这些得分。每个示例将用户请求与响应及百分比配对：

工作流 报告得分 示例响应

搬家后比较幼儿园 93.1% 筛选出三所幼儿园，整理入学详情，并留下两项偏好供用户决定。

为四户需要防洪协助的邻居协调防洪准备志愿者 98.0% 为志愿者制定行动计划，以评估地点并在恶劣天气前协助邻居。

卢泽恩县家庭住房搜索 100% 找到一套符合预算、独立居住单元和送达后通勤要求的住房，并计算转让税。

与祖父母远程观看比赛 96.3% 设置观看安排，并包含流媒体失败时的替代方案。

父母新确诊糖尿病后的照护规划 90.4% 制定涵盖膳食、提醒事项和照护团队问题的第一周计划，并在分享前请求用户审阅。

模型训练与ChatGPT的角色

OpenAI表示，在过去一年的训练中，其模型在浏览器使用、计算机使用和连接器任务方面变得更快、能力更强且更对齐。这些能力拓宽了通过ChatGPT可获得的协助范围。产品方向是一个能够执行实际操作的智能体个人助理，将ChatGPT的角色扩展到聊天之外。

OpenAI表示，希望该评测有助于推进这一衡量目标。