OpenAI 发布 LifeVal 基准：用 3995 人调查和时间使用研究衡量 AI 帮人办日常事务的能力

核心背景与行业痛点

主流大模型评测多考知识、数学和编程，很难回答一个普通用户最关心的问题：AI 能不能替我把生活里的事办完？OpenAI 称 ChatGPT 每周用户已超过 10 亿，其中大量需求是找托育、办政府业务、做预算、改食谱、买菜、制定健身计划这类琐事。11 月 2 日，OpenAI 发布 LifeVal，专门衡量模型在这些日常任务上的表现，并强调好的个人助理不只是给建议，而是要能采取行动把事情办成。

架构亮点与底层机制

LifeVal 的任务清单不是工程师拍脑袋定的。OpenAI 先用美国时间使用调查（ATUS）和多国时间使用研究（MTUS）列出人们在不同人群、时段和季节里实际在做的事，再做了一份 3995 人的人口代表性问卷，逐项问大家最希望个人助理帮忙的地方。最终任务覆盖照护、健康、教育、家务行政、个人财务、购物和政府服务。很多任务需要浏览器操作、电脑操作和连接器，例如找房后把契据加入县政府记录系统的购物车，等用户本人确认。OpenAI 表示，过去一年它一直用 LifeVal 追踪并推动模型改进。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径：搬家后选幼儿园 93.1%、组织洪灾防护志愿者 98.0%、按预算和通勤找房 100%、远程和奶奶一起看球 96.3%、为新确诊糖尿病的父母做饮食计划 90.4%。官方表格列出 GPT-6 Astra 多项最佳记录为 100%，包括为幼儿订感统课、预约车检、按预算订清真食材并整理成表格、按照片和钻石证书找替代戒指、退订邮件列表。我们读到的官方正文没有给出完整任务数、总分或与其他厂商模型的对比，X 上流传的总分数字本文不采用；目前也没有第三方复现。

开发者实战落地与开箱指南

对做 Agent 产品的开发者来说，LifeVal 的价值主要在方法：一是用时间使用调查和用户问卷定义任务，而不是只挑容易打分的题；二是把评分落在办成没有，而不是回答得像不像。可以参考这个思路为自己的 Agent 建内部评测：列出用户最常做的 20–50 个真实流程，写清验收条件，并在付款、提交表单等关键步骤前设置人工确认（官方示例就是把契据放进购物车等用户审核）。需要注意，LifeVal 目前看是 OpenAI 自建自评的基准，原文没有说明是否开放数据集，跨厂商比较时要谨慎。