OpenAI 在 2026 年 11 月 2 日发布 LifeVal 评测基准，用真实生活里的日常事务检验模型到底能不能把事办完。核心结论一句话：LifeVal 的最低公开任务分为 90.4%，样本来自 3995 名人口统计代表性受访者，测的是浏览器操作、计算机操作与连接器三条链路的闭环执行能力，与知识问答正确率不在同一口径上。
这项基准的特别之处在取材方式，难度并不是它的卖点。常规评测的考题多由研究者自拟，LifeVal 换了个起点，先梳理美国时间使用调查与跨国时间使用研究两项数据里被高频记录的家庭与个人事务，再向 3995 名具有人口代表性的受访者取样，确认普通人最希望个人助理替他们代办哪些事。最终成集覆盖照护、健康、教育、家庭行政、个人财务、购物与政府服务七大场景。
LifeVal 测的是办成，答对只是副产品
OpenAI 在公告里把这类评测称为「超越以模型知识为核心的学术评估」。区分点相当明确：用户在生活里求助时，一份建议清单或一轮对话远远不够，他要的是一个真正把事做完的助理。同一句「帮孩子选幼儿园」，前者给出三所学校的名单就算完成，后者还要结合地点、预算、通勤距离和入学流程做出筛选，并把报名材料整理成可交付状态。
从五个官方示例任务的措辞能直接看出这个差别。给患糖尿病的家人制定照护与膳食计划，模型输出的是包含餐食安排、提醒机制和向医护团队提问清单的第一周方案。为家人找房的任务里，模型给的不只是链接，它算好了过户税并把房契文件放进购物车待用户复核。评级口径因此落在任务链条是否推进到可执行、可交付，而非单点回复是否正确。
还有一个容易被忽略的背景。OpenAI 称每周有超过 10 亿人使用 ChatGPT，LifeVal 的推出与 ChatGPT 从对话工具向代理式个人助理迁移的路线直接绑定。这也是它为什么把重点压在浏览器使用、计算机使用与连接器任务这三类能力上，这三项恰好构成了一条「看信息、做操作、调外部服务」的完整执行链。
3995 人样本决定了任务分布
LifeVal 的数据分两层。第一层是两项大型时间使用研究，它们提供了人们在不同人口群体、一天不同时段、不同季节的实际活动任务目录。第二层是本次新增的 3995 人调查，这一步决定了任务分布的形状。
真正起决定作用的是「人口统计代表性」这个约束。常规评测的样本往往集中在高频使用 AI 的群体，跑分再高也不能外推到真实用户结构。LifeVal 先用时间使用数据刻画人们时间的去向，再用一份结构上接近真实人口分布的问卷去校准哪些事务值得被测。两者叠加，产出的是一份任务权重而非一份随机题库。
这个设计也解释了为什么示例任务集中在家庭与照护这类场景。幼儿园报名、糖尿病膳食、洪水志愿者、陪奶奶看比赛、跨县找房，这些任务的共同点是步骤长、约束多，每一步都要依赖外部信息核对，难度高反在其次。用户要的是把事办完，模型必须自己去找房源信息、通勤时间、预算边界和报名规则。
五个示例任务与它们的分数
| 示例任务 | 完成度 | 任务中的硬约束 |
|---|---|---|
| 搬家后为孩子筛选幼儿园 | 93.1% | 地点、预算、通勤、入学材料 |
| 洪水来临前组织社区志愿者 | 98.0% | 站点勘察、任务分配、天气预案 |
| 为家人寻找合适房源 | 100% | 预算、独立居住单元、放学后通勤 |
| 远程陪奶奶看比赛 | 96.3% | 跨设备播放、备用方案、故障兜底 |
| 为糖尿病家属制定照护膳食计划 | 90.4% | 饮食结构、提醒机制、医护沟通清单 |
五个任务的分数落在 90.4% 到 100% 之间，OpenAI 的表述是最新模型在许多 LifeVal 任务上得分很高。最低分的糖尿病膳食任务恰好也是约束最密集的一个，需要在饮食、用药提醒与就医沟通三条线上同时不出错。分数最高的找房任务则属于条件筛选型，规则清晰因而更容易跑满。
需要提醒的是，公开页面只给出了这五个示例任务的分数。完整任务总数、每个类别的任务数量、总体平均分、评分细则与误差范围都没有披露，页面也没有提供可供第三方独立复现的排行榜与评分代码。把 90.4% 当成 LifeVal 的整体水平来看待，是把示例值误读成总体值。
与站内其它评测视角的差别
LifeVal 关心任务链条能否闭环，站内此前的几类评测切入的是别的维度。GDPval 用 44 种知识工作职务、每职业 30 个专家审阅过的任务衡量专业工作产出，站点内关于 Claude Haiku 5.5 在 GDPval 上的 1620 分与降价 90% 的梳理记录了那条赛道的分数细节。通用能力饱和现象则可以在 Claude Opus 5.5 通过率仅 45.6% 与 105 个基准饱和 中看到，LifeVal 恰好避开了这类学术与编码基准。
执行层面的视角则来自智能体侧的实测。终端操作能力可对照 GPT-6.1 Terra 的终端基准 50.3 分与 1 美元 API 定价，手机端多应用联动可对照 OpenMobile-2 覆盖 110 个应用得 79.9 分，两者都是可交付任务的形态，但 LifeVal 把场景从设备操作进一步推到了家庭与社会关系事务。
行为层面也有现成的对照物。OpenAI 自己用于描述经济影响的 OpenAI Signals 收录 165 项工作活动与 51% 头部集中度，量化的是模型在真实经济活动中的分布，而 LifeVal 量化的是模型在真实生活事务中的完成度。两份数据放在一起看，能更清楚地区分「被用在哪」和「办成了没有」。至于行为约束层面的变化，站内 OpenAI 重构 Model Spec 的 5 项核心价值与 4 层失配监控 记录了配套的行为规范调整。
作为内部评测的三个限制
第一，公开的是示例而非全集。没有任务总数、没有类别分布、没有 rubric 细节，外部只能看到五个被挑选出来的分数。IT 之家在报道时也直接指出，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，其结果仍需谨慎解读。
第二，它同时参与内部改进循环。OpenAI 明确说过去一年用这套评测追踪并推动模型在日常任务上的表现，这意味着 LifeVal 并非完全独立的第三方测量，它本身就是产品研发流程的一个环节。评测参与内部训练流程时，公开分数与能力提升之间的因果关系需要打一层折扣。
第三，人口代表性的覆盖范围需要更精确地读一遍。公告中具有人口代表性描述的是那 3995 人的新增调查，两项时间使用研究本身被描述为大型研究而非代表性样本。同时，LifeVal 目前主要是 OpenAI 的内部评估，外部拿不到完整排行榜。
从行业角度看，这套基准的意图并不含糊。前沿榜单长期偏 MMLU、编码与数学这类学科题与工具调用正确性，而个人助手产品真正卡住的地方是能不能替用户办完一件生活杂事。LifeVal 用时间使用调查加人口抽样把任务集锚到人们真实花费时间与金钱的活动上，再把评分对象从聊天回复推进到需要浏览器与计算机操作加连接器的闭环工作流。这种转向与 ChatGPT 向代理式个人助理的路线是同向的。
常见问题
LifeVal 是什么，它和 MMLU 这类基准有什么不同
LifeVal 是 OpenAI 在 2026 年 11 月 2 日发布的日常任务评测基准，任务取自时间使用研究与 3995 人代表性调查，覆盖照护、健康、教育、家庭行政、个人财务、购物、政府服务七类场景。MMLU 一类基准测的是学科知识答对率，LifeVal 测的是模型能否通过浏览器操作、计算机操作与连接器把一件多步骤生活事务推进到可交付状态。
LifeVal 的公开分数可以横向比较不同模型吗
目前不可以。官方只公开了五个示例任务从 90.4% 到 100% 的完成度，没有给出完整任务集、总体平均分、评分细则与误差范围，也没有可独立复现的排行榜。想比较不同模型在生活事务上的能力，只能等 OpenAI 公开更多任务与评分方式之后再做。
普通用户现在能用 LifeVal 做什么
LifeVal 目前主要是 OpenAI 的内部评测，不是一个对外开放的跑分平台，也不提供任务集下载。普通用户能直接感受到的是 ChatGPT 在浏览器使用、计算机操作与连接器任务上的能力提升，这类任务在 LifeVal 所覆盖的家庭行政、购物与个人财务场景中体感最明显。
小结
LifeVal 把评测的落点从答对题目挪到了办完事情这件事上。3995 名代表性受访者加两项时间使用研究决定了它测什么，七类日常场景加五个 90.4% 到 100% 的示例分数决定了它长什么样。分数本身因为只公开示例而需要克制解读，但它划出的方向很明确：个人助理的竞争已经从对话质量转到执行闭环。对使用者和开发者来说，接下来真正值得观察的是这套任务集会不会被公开，以及更多模型在这个口径下会交出什么样的成绩。
延伸阅读
- 美国银行警告：4 类风险指向1 条底线，别把密码交给AI6 天前
- OpenAI拟将Sora移交给卡岑伯格团队：转向专业影视工具路线3 周前
- Anthropic 发 Claude Sonnet 5.5：对半价，速度快 30%1 月前
- OpenAI联手Ironclad推GPT-6合同评测：得分55%胜GPT-5.64 周前
继续读
同一批更新里这几篇值得一看：
- ChatGPT 记忆 96% 由模型自写：2050 条实测拆解2026-11-03
- OpenAI 重构 Model Spec：5 项核心价值与 4 层失配监控2026-10-30
- ChatGPT 出版商通道：12 家媒体摘要占据前三位 70%2026-10-28