LifeVal：用 169 项日常任务给模型打分

2026 年 11 月 2 日，OpenAI 发布 LifeVal，一套衡量「AI 能不能真的把日常生活里的事办成」的评测。它要回答的问题很具体：人们找 AI 帮忙时，需要的不只是一段建议，而是一个能真的把事做完的助手。

评测是怎么选出来的

按官方页说明，选题分三步：

• 先用两份时间使用研究打底：美国的 American Time Use Survey，以及把 100 多份国家级调查汇总成统一格式的 Multinational Time Use Study。
• 在此基础上做了一份人口结构上具代表性的新问卷，样本 3,995 人，逐项问「你希望个人助手在哪些事上帮忙」。
• 最终任务覆盖照护、健康、教育、家庭行政、个人财务、购物与获取政府服务等领域。

官方页的一张图表写明口径：每个点先在单个任务内平均多次尝试，再把 169 项任务的平均值等权平均，不做加权。

官方给出的样例与分数

• 搬家后给孩子找到合适的幼儿园：93.1%
• 洪水来临前组织社区志愿者：98.0%
• 远程陪外婆一起看球：96.3%
• 帮刚确诊糖尿病的父母做饮食与照护计划：90.4%
• 在预算内找一套带独立居住单元、通勤又不远的房子：100%

OpenAI 把这几项列为「当前模型在真实日常流程上的表现」，并称过去一年在浏览器使用、电脑使用与连接器这几类任务上把模型练得「更快、更强、更对齐」，这些能力把 ChatGPT 从聊天工具推向能真的动手的个人助手。

怎么读这些数字

• 这是厂商自建、自测、自报的评测：任务由 OpenAI 挑，分数也由 OpenAI 公布，没有第三方复跑。
• 独立报道 Unite.AI 把它的定位说得较清楚：测量目标是「实用协助」——能否帮人做决定、处理日常责任、真的完成动作——而不是学术知识考核，这与既有 benchmark 的取向不同。
• 官方页给的是抽样例子的分数，不是全量结果；页面也没有按模型、按发布时间逐项列出全部任务的成绩。

还没验证的部分

• 没有论文、没有第三方复现，也未见公开的题目集与评分脚本。
• 3,995 人问卷的抽样与加权细节、以及 169 项任务的具体构成，官方页只给了概要。
• 示例分数由官方挑选展示，不代表全部任务的分布。
• 「过去一年用它推动模型改进」是 OpenAI 的自我陈述，本文没有独立证据。

参考来源

本文基于以下公开报道整理：

• LifeVal — OpenAI 官方页（一手），2026-11-02
• OpenAI’s LifeVal Evaluation Tests AI on Practical Everyday Tasks — Unite.AI 独立报道
• LifeVal: Measuring AI progress on the tasks that matter in everyday life — Hacker News 条目

本文由 AI 辅助整理，事实与引文来自 OpenAI 官方页与 Unite.AI 的公开报道；未独立复跑评测，配图后续补充。