事件：OpenAI 给「AI 管家」出了一张考卷
11 月 2 日，OpenAI 在官网发布 LifeVal，定位是「衡量 AI 在日常生活中真正重要的任务上的进展」。与考察知识问答、代码或数学的传统基准不同，LifeVal 考的是搬家后给孩子挑幼儿园、为患糖尿病的家人制定膳食与照护计划、在预算内采购食材、整理政府表格、组织社区防汛志愿者这类需要多步推进的现实事务，评分标准不是「说得对」，而是任务能否被推进到可执行、可交付的状态。官方示例中，AI 为一家人找房的任务拿到 100 分——找到符合预算与通勤要求的房源、算出房产交易税，并把相关文件加入购物车供用户审核；搬家后择园得分 93.1%，组织防洪志愿者 98.0%，为糖尿病家长制定照护与膳食计划 90.4%，远程陪家人看球 96.3%。
方法学：把任务集锚在人们真实花时间的地方
LifeVal 的任务选题有一套可核验的来路。OpenAI 先用美国劳工统计局的「美国人时间使用调查」（ATUS）与跨国「多国时间使用研究」（MTUS）刻画居民日常活动分布，再对 3995 名具有人口代表性的受访者开展调查，询问他们最希望个人 AI 助手代劳哪些事，据此圈出照护、健康、教育、家庭行政、个人理财、购物与政务服务等场景。这套「时间使用调查锚定 + 人口抽样校准」的做法，让任务集直接对齐人们真实花钱花时间的活动，而不是评测者熟悉的题库。典型任务也不满足于给出建议：AI 可能需要读懂聊天记录、浏览网页、整合多方信息，并给出贴合个人处境的执行方案。
成绩单：进步明显，但后段趋平
据 OpenAI 公布、经格隆汇转述的口径，GPT-5.2 在 LifeVal 上平均得分 49.3%，GPT-5.4 达到 73%，GPT-5.6 为 80%，最新的 GPT-6 Astra 为 80.6%——过去一年的主要涨幅集中在前半段，最新旗舰只比上一代高出 0.6 个百分点。OpenAI 称过去一年已用 LifeVal 追踪并推动模型在浏览器操作、电脑使用与连接器调用上的改进，把 ChatGPT 从对话工具向能替用户办事的智能体助理推进。这组曲线本身就有信息量：日常任务的边际提升正在放缓，模型能力可能开始逼近任务集上限，或评测设计的上限。
怎么读：评测风向标从「答题」转向「办事」
在既有公开评测生态里，GAIA、BrowseComp 一类偏多步信息检索，OSWorld、AndroidWorld 一类偏操作系统界面操作，LifeVal 的差异在选题维度——直接对着家庭日常出题，并要求闭环交付。当头部模型的编程与知识类分数普遍走向饱和，生活任务完成率正在成为新的差异化战场：它同时牵动浏览器与电脑操作、长程规划、外部系统对接三块能力，也更接近普通用户对「AI 到底有没有用」的直觉判断。对行业而言，各厂商把内部评测标准公开到什么程度，会直接影响这条赛道能不能长出可比较的公共标尺。
保留意见：自建、自评，暂无独立复现
需要明确的是，LifeVal 目前主要是 OpenAI 的内部评估：完整任务集、评分代码、误差范围与可独立复现的排行榜均未公开，成绩由 OpenAI 自行设计与评定，引用时应注明「官方披露，未第三方验证」。模型分数一节来自官方页面的动态图表，本文经格隆汇转述核对，静态页面无法直接验证。把它当作行业评测风向的信号来看是成立的——头部厂商正在把资源押向「智能体替用户办事」这条线；把它当作可横向比较的性能榜单来用，还差独立复现这一步。