从49.3%到80.6%：OpenAI LifeVal与日常任务评测的方法论纵深

作者：李嘉佑 1小时前

一、事件全景：LifeVal的发布与核心口径

11月2日，OpenAI在其官网研究栏目正式发布LifeVal，定位为衡量AI在日常生活任务上进展的评测基准，标语直译即『度量AI在日常生活中真正重要任务上的进步』。这一发布与其产品叙事直接衔接：官方页面称，全球每周有超过10亿人在使用ChatGPT，人们需要的『不只是建议或一段聊天回复』，个人助手应当『能够采取真正把事情办完的行动』。

分数层面，OpenAI公布了过去一年五款自家模型在同口径下的LifeVal平均奖励（Average reward，未加权）：GPT-5.2（2025年12月11日发布）为49.3%，GPT-5.4（2026年3月5日）为73.0%，GPT-5.5（2026年4月23日）为77.4%，GPT-5.6（2026年7月9日）为80.0%，GPT-6 Astra（2026年9月3日）为80.6%。不到九个月总分提升31.3个百分点，其中GPT-5.2到GPT-5.4一代就贡献了23.7个百分点；而最新一代GPT-6 Astra较GPT-5.6仅多0.6个百分点。

需要明确的口径是：上述分数全部来自OpenAI自己发布的评测材料，属于厂商自评；官方页面以动态图表呈现分数曲线，静态文本未附各模型的分项数据与置信区间。

图1 LifeVal平均奖励（未加权）：五款OpenAI模型得分

二、方法纵深：任务目录如何从时间使用调查长出来

LifeVal最值得注意的设计，是任务并非研究人员凭空拟出，而是先回答『人们的时间实际花在哪里』。OpenAI首先采用两项大型时间使用研究作为任务目录底座：一项是美国劳工统计局主持的『美国时间使用调查』（American Time Use Survey，ATUS），另一项是覆盖多国的『多国时间使用研究』（Multinational Time Use Study，MTUS）。官方表述称，这两套数据集提供了不同人口群体、不同时段与不同季节里人们日常生活任务的详细目录，覆盖美国及国际范围。

在既有调查之上，OpenAI补充了一项新的、具有人口代表性的调查，共3995人受访者，逐项询问人们最希望个人助手在哪些事情上帮忙，以此确定任务取舍。最终任务落在七大类别：照护、健康、教育、家庭行政、个人财务、购物，以及获取政府服务。官方页面列举的典型需求包括寻找托育服务、办理政务、编制预算、准备开学、调整菜谱、订购食材与制定健身计划等。

据媒体转述口径，LifeVal任务集共169道题，总分按每题同等权重平均得出（该总数为微信公众号『OpenAI出169道生活题』等转述口径，OpenAI官方静态页面未明确给出任务总数）。这一『先调查、再命题』的路径，与传统学术基准『从题库出发』的构建方式形成鲜明对照：前者锚定的是真实生活的时间分配与需求强度，后者锚定的是能力维度覆盖。

方法论层面，这一设计也有明确边界。时间使用调查能够刻画人们把时间花在哪里，但不能穷尽所有地区、制度与家庭情境；找幼儿园、办政务、住房交易等任务高度依赖本地规则与个人偏好，任务目录的地区代表性主要来自美国与MTUS覆盖国家。官方亦未公布任务筛选的完整流程与评分细则，外界目前无法独立审计任务集的构成。

三、能力纵深：从给建议到办成事的技术链条

LifeVal的分数涨幅并非只来自语言能力的提升。OpenAI明确说明，过去一年其模型在浏览器使用（browser use）、计算机使用（computer use）与连接器（connectors）三类任务上持续训练，变得更快、更强、更对齐，LifeVal本身就被用于追踪并推动这些能力的改进。换言之，这套评测度量的不是『会不会答』，而是『能不能穿过外部系统把流程走完』。

官方页面展示的单项示例直观呈现了这一能力形态：为家人找房（卢泽县，限定预算、独立居住单元、接送后通勤较短，并要求把契约加入政务记录购物车供审核）得分100%；洪水来临前组织社区志愿者排班得分98.0%；远程陪长辈一起看比赛得分96.3%；搬家后为孩子筛选幼儿园并整理报名信息得分93.1%；为新确诊糖尿病的家长制定照护与膳食计划得分90.4%。多个示例中，模型把比较、筛选、整理、填表等中间动作接了过去，而把付款、拍板、最终确认留给用户。

支撑这些流程的正是GPT-6 Astra的产品定位。Astra于2026年9月3日发布，OpenAI称其在计算机使用、浏览、软件工程、网络安全、科学和专业工作方面达到全球最先进水平，可承担报税准备、游戏开发、建筑效果图制作、法律备忘录排版与找房等任务。第三方评测口径下，Astra在OSWorld 2.0得72.6%，且较前代在每任务耗时上缩短约47%。

值得注意的是单项满分的口径限定：媒体转述口径提到，GPT-6 Astra在预约车辆年检、预算内订购杂货、取消邮件列表订阅等单项任务的最佳运行记录中取得100%。『最佳运行记录』意味着做成过，不等于每次都能做成；OpenAI也未公布任务级通过率、失败原因与重复运行的稳定性数据。

图2 LifeVal单项示例任务得分（官方展示口径）　

四、曲线解读：跃升、放缓与基准饱和之问

把五模型分数序列分解为逐代增量，可以看到清晰的三段结构：GPT-5.2到GPT-5.4提升23.7个百分点，是绝对主升段；GPT-5.5、GPT-5.6分别再增4.4个百分点和2.6个百分点，进入渐进区间；GPT-6 Astra仅较GPT-5.6高出0.6个百分点，曲线明显趋平。

对趋平至少存在三种解释，证据强度各不相同。其一是剩余任务更难：早期跃升主要来自浏览器、计算机使用与连接器能力补齐『从说到做』的缺口，大量原本无法执行的任务被快速拿下；而剩余约两成得分空间可能集中在跨多个网站、需要等待他人回复、涉及不可逆决策等高难流程上。其二是任务集趋于饱和：已有社区观点提出，若新一代旗舰仅比上一代高出0.6个百分点，该基准可能已接近其分辨极限——这是合理的待检验假设，但OpenAI未给出官方回应。其三是评分口径因素：若评测主要记录最佳运行，现实使用考验的则是多次运行的稳定性，两者存在系统性差异。

这三种解释目前无法相互排除：官方未公布每道任务的通过率、失败类型与重复运行数据，外界无法判定0.6个百分点的具体成因。可以确认的只是结构本身——在LifeVal这把尺子下，能力补齐带来的红利期已经结束，下一阶段的分化将取决于剩余任务的攻坚，或者取决于这把尺子是否需要重构。

图3 LifeVal逐代增量分解（个百分点）　

五、边界与研判：内部评测的可信度与行业坐标

对80.6%的解读必须放在三个口径限定之内。第一，这是内部评测：题由OpenAI出，分由OpenAI算；外界尚未获得完整任务集、评分代码、误差范围或可独立复现的排行榜。第二，只测了OpenAI自家模型，别家模型没有同题成绩，80.6%不是横评名次。第三，指标是未加权的平均奖励，任务难度差异未在总分中体现。因此，80.6%说明的是『在OpenAI自定义的日常任务上，新模型比一年前强了不少』，不等于『ChatGPT帮你办十件事能成八件』。

放在评测生态的坐标系里，LifeVal的差异点是选题逻辑与闭环要求。GAIA、BrowseComp等基准偏重信息检索与多步推理，AndroidWorld、OSWorld偏重操作系统图形界面操作，LifeVal则用时间使用调查锚定『人们真正花钱花时间的活动』，并要求模型通过浏览器、计算机操作与连接器把工作流推进到办成事。这一差异也呼应了行业竞争位置：OpenAI在企业市场持续追赶Anthropic，而个人助手赛道上Meta已发布可代办邮件、卖车、订旅行的Muse，国内厂商亦在推进手机端智能助手评测与个人智能体产品。

用户规模的量级让这套评测的行业影响被放大：官方口径显示ChatGPT每周触达用户已从超过10亿人（LifeVal页面）增至10月7日GPT-6全量开放时的超过12亿人，GPT-6同期成为全球所有ChatGPT用户的默认模型并搭载智能界面。评测结论由此直接作用于产品体验的定义权：当一家厂商同时是命题人、考生与阅卷人时，其发布的高分既是能力声明，也是竞争声明。

后续值得跟踪三个变量：任务集是否开放、是否引入第三方复测，以及评分口径是否从最佳运行转向重复运行成功率。若三者任一落地，80.6%这一数字的含义都可能被改写；在此之前，把LifeVal读作『OpenAI对个人助手路线的度量声明』，比读作『生活自动化程度已达八成』更接近事实。

图4 ChatGPT官方口径周活跃用户规模（亿人）　

结论

LifeVal把AI评测的提问方式从『知道什么』推进到『能不能办成』：任务来自美国与多国时间使用调查及3995人偏好调查，度量的是模型穿过浏览器、计算机操作与连接器完成真实工作流的能力。一年内平均奖励从49.3%升至80.6%的曲线，前半段是能力补齐的红利，后半段的放缓则把问题留给了任务难度、基准饱和与评分口径三种待检验解释。

在任务集、评分细则与第三方复测缺位之前，80.6%应当被读作OpenAI的路线声明而非行业终点：它证明了当任务清晰、工具可用、权限到位时，AI已经可以从出主意走到推进真实操作；它也提示，日常生活的最后一步——付钱、拍板、承担责任——仍然留在人的手里。评测标准的开放程度，将决定这把尺子最终是行业公共品，还是厂商的私人记分牌。