OpenAI 于 2026 年 11 月 2 日发布 LifeVal，用来评估 AI 能否协助人们处理日常事务，而不只是回答问题。公司表示，过去一年一直用这项评测追踪并推动模型在个人助理任务上的表现提升。3公布的核心数字是：GPT-6 Astra 的未加权平均奖励为 80.6%，高于 GPT-5.2 的 49.3%。15

不过，80.6% 是一项基准测试成绩，不代表 ChatGPT 能替任何人成功办成 80.6% 的差事。基准衡量的是模型在特定评测中的表现，现实任务还会受到个人情况和具体需求影响。2022

LifeVal 评测哪些日常事务？

LifeVal 覆盖照护、健康、教育、家庭事务管理、个人理财、购物和政府服务等领域。21报道提到的任务包括寻找托育服务、搬家后比较幼儿园、安排餐食、管理家庭预算、按预算购物，以及处理各类手续。12021

重点不只是看 AI 能不能给出听起来合理的建议，而是看它能否在现实限制下帮助推进任务。这让 LifeVal 与开发多步骤个人助理的方向相关。不过，发布一项评测，并不等于推出了新的助理功能，也不意味着 AI 已能在真实用户账户中完成所有类似任务。320

任务设计依据是什么？

OpenAI 表示，设计任务时参考了两项关于人们如何分配时间的研究：美国时间利用调查（American Time Use Survey）和多国时间利用研究（Multinational Time Use Study）。公司还称，通过调查了解人们最希望 AI 和个人助理在哪些方面提供帮助。3相关报道提到，调查共有 3,995 名受访者。2

部分二手报道还提及，约有 100 人参与提供详细任务。24现有信息没有说明这些参与者的专业背景或个人经验具体如何影响评分标准。报道将评测描述为基于评分细则进行，但这里查阅到的来源没有公开完整任务集和评分细节。122

模型成绩：Astra 领先，但要看懂分数

公开报道列出的 OpenAI 模型成绩显示，GPT-5.2 与 GPT-6 Astra 的总体差距明显，而后续型号之间的提升幅度较小。618

模型	报道中的 LifeVal 得分
GPT-5.2	49.3%
GPT-5.4	73.0%
GPT-5.5	77.4%
GPT-5.6	80.0%
GPT-6 Astra	80.6%

这些数字是平均奖励分数，并非“任务完美完成率”。按报道中的数值计算，GPT-6 Astra 比 GPT-5.2 高 31.3 个百分点；在表中列出的后续型号里，GPT-5.4 与 Astra 相差 7.6 个百分点。5618

有些报道将 Astra 的成绩概括为 80%，另一些则给出更精确的 80.6% 未加权平均奖励。15两者可理解为四舍五入后的概述和更精确的指标，不应当成两种不同的现实成功率。

具体任务成绩，不是现实保证

报道列举了 LifeVal 中的一些任务成绩，包括搬家后筛选幼儿园、协调防洪准备志愿者、为新确诊糖尿病的家长规划餐食、按预算采购清真食品，以及预约汽车检测。2026

示例任务	报道中的得分
搬家后比较幼儿园	93.1%
组织防洪准备志愿者	98.0%
为新确诊糖尿病的家长规划餐食	90.4%
按预算购买清真食品	100%
预约汽车检测	100%

清真食品采购和汽车检测的分数来自对部分评测结果的二手报道。2627这些是评测中的具体任务成绩，不代表普通用户在现实中一定能得到同样结果，也不意味着高分模型可以可靠处理所有相似情形。20

LifeVal 能说明什么，还有哪些盲点？

LifeVal 提供了一种追踪日常助理任务进展的方式，这类能力未必能由传统的知识或推理测试直接体现。OpenAI 称，过去一年一直在内部使用这项评测推动模型改进。3

主要局限在于，结果由评估自家模型的 OpenAI 发布，而报道指出任务集尚未公开。外界因此难以复现成绩、检查任务设计，也难以判断它与其他实验室模型相比如何。12

LifeVal 的关注点也不同于 OpenAI 早前推出的 GDPVal。后者衡量模型在 44 种职业中的经济价值相关现实工作任务表现。35概括来说，LifeVal 面向个人日常事务，GDPVal 面向职业工作；现有来源没有说明两项评测之间更详细的关系。

最明确的结论是，OpenAI 正尝试用更贴近日常生活的任务衡量 AI 进步。公布的成绩显示，该公司模型在 LifeVal 上有所提升；但仅凭这些分数，还无法判断个人助理在基准之外能多频繁地替人把事情办妥。

OpenAI 于 2026 年 11 月 2 日发布 LifeVal，用来评估 AI 能否协助人们处理日常事务，而不只是回答问题。公司表示，过去一年一直用这项评测追踪并推动模型在个人助理任务上的表现提升。3公布的核心数字是：GPT-6 Astra 的未加权平均奖励为 80.6%，高于 GPT-5.2 的 49.3%。15

不过，80.6% 是一项基准测试成绩，不代表 ChatGPT 能替任何人成功办成 80.6% 的差事。基准衡量的是模型在特定评测中的表现，现实任务还会受到个人情况和具体需求影响。2022

LifeVal 评测哪些日常事务？

LifeVal 覆盖照护、健康、教育、家庭事务管理、个人理财、购物和政府服务等领域。21报道提到的任务包括寻找托育服务、搬家后比较幼儿园、安排餐食、管理家庭预算、按预算购物，以及处理各类手续。12021

重点不只是看 AI 能不能给出听起来合理的建议，而是看它能否在现实限制下帮助推进任务。这让 LifeVal 与开发多步骤个人助理的方向相关。不过，发布一项评测，并不等于推出了新的助理功能，也不意味着 AI 已能在真实用户账户中完成所有类似任务。320

任务设计依据是什么？

OpenAI 表示，设计任务时参考了两项关于人们如何分配时间的研究：美国时间利用调查（American Time Use Survey）和多国时间利用研究（Multinational Time Use Study）。公司还称，通过调查了解人们最希望 AI 和个人助理在哪些方面提供帮助。3相关报道提到，调查共有 3,995 名受访者。2

部分二手报道还提及，约有 100 人参与提供详细任务。24现有信息没有说明这些参与者的专业背景或个人经验具体如何影响评分标准。报道将评测描述为基于评分细则进行，但这里查阅到的来源没有公开完整任务集和评分细节。122

模型成绩：Astra 领先，但要看懂分数

公开报道列出的 OpenAI 模型成绩显示，GPT-5.2 与 GPT-6 Astra 的总体差距明显，而后续型号之间的提升幅度较小。618

模型	报道中的 LifeVal 得分
GPT-5.2	49.3%
GPT-5.4	73.0%
GPT-5.5	77.4%
GPT-5.6	80.0%
GPT-6 Astra	80.6%

这些数字是平均奖励分数，并非“任务完美完成率”。按报道中的数值计算，GPT-6 Astra 比 GPT-5.2 高 31.3 个百分点；在表中列出的后续型号里，GPT-5.4 与 Astra 相差 7.6 个百分点。5618

有些报道将 Astra 的成绩概括为 80%，另一些则给出更精确的 80.6% 未加权平均奖励。15两者可理解为四舍五入后的概述和更精确的指标，不应当成两种不同的现实成功率。

具体任务成绩，不是现实保证

报道列举了 LifeVal 中的一些任务成绩，包括搬家后筛选幼儿园、协调防洪准备志愿者、为新确诊糖尿病的家长规划餐食、按预算采购清真食品，以及预约汽车检测。2026

示例任务	报道中的得分
搬家后比较幼儿园	93.1%
组织防洪准备志愿者	98.0%
为新确诊糖尿病的家长规划餐食	90.4%
按预算购买清真食品	100%
预约汽车检测	100%

清真食品采购和汽车检测的分数来自对部分评测结果的二手报道。2627这些是评测中的具体任务成绩，不代表普通用户在现实中一定能得到同样结果，也不意味着高分模型可以可靠处理所有相似情形。20

LifeVal 能说明什么，还有哪些盲点？

LifeVal 提供了一种追踪日常助理任务进展的方式，这类能力未必能由传统的知识或推理测试直接体现。OpenAI 称，过去一年一直在内部使用这项评测推动模型改进。3

主要局限在于，结果由评估自家模型的 OpenAI 发布，而报道指出任务集尚未公开。外界因此难以复现成绩、检查任务设计，也难以判断它与其他实验室模型相比如何。12

LifeVal 的关注点也不同于 OpenAI 早前推出的 GDPVal。后者衡量模型在 44 种职业中的经济价值相关现实工作任务表现。35概括来说，LifeVal 面向个人日常事务，GDPVal 面向职业工作；现有来源没有说明两项评测之间更详细的关系。

最明确的结论是，OpenAI 正尝试用更贴近日常生活的任务衡量 AI 进步。公布的成绩显示，该公司模型在 LifeVal 上有所提升；但仅凭这些分数，还无法判断个人助理在基准之外能多频繁地替人把事情办妥。