前言¶

OpenAI 在 2026 年 11 月 2 日公开 LifeVal 评测体系，用来跟踪模型在「日常生活里真正要办的事」上的表现，而不是只对照传统学术基准。官方称，ChatGPT 每周活跃用户已超过十亿人；对这类用户来说，产品方向是能在育儿、政务、财务、购物等场景里把事办完，而不只是给建议或聊天回复。

LifeVal 的任务集合来自时间使用调查与近四千人的代表性问卷，覆盖用户最希望个人助手帮忙的领域。OpenAI 表示，过去一年已用该评测推动模型在浏览器使用、计算机使用以及连接器类任务上的改进。下面介绍评测怎么建、示例指标是什么，以及它和 agent 能力评估的关系。

LifeVal 要解决什么问题¶

用户找 AI 帮忙时，往往需要的是能执行的动作，而不只是对话。OpenAI 把「个人助手能否把事做成」当成可度量的产品目标，因此做了覆盖日常高需求场景的评测，并用来观察模型随时间是否在变快、变强、在 agent 相关能力上更对齐。

任务范围包括：找托儿/育儿、使用政府服务、做预算、入学准备、改食谱、订杂货、设计锻炼计划等。评测设计强调与真实生活决策、日常事务管理、可完成的产出挂钩，而不是仅测模型知识储备。

任务来源与覆盖领域¶

先说数据从哪来。OpenAI 以两类大型时间使用调查为起点：美国时间使用调查（American Time Use Survey）与多国时间使用研究（Multinational Time Use Study）。二者汇总了不同人群、时段与季节下的日常活动。

在此之上，OpenAI 又做了一次人口统计学上具有代表性的新调查，样本量为 3,995 名受访者。针对各项日常任务，问卷设计了多种问题，用来找出人们最希望个人助手介入的领域。最终任务集集中在 caregiving（照护）、健康、教育、家庭行政、个人财务、购物、获取政府服务等方向。

官方给出的工作流完成率示例¶

OpenAI 在发布页展示了若干「开放式对话 + 实际工作流」示例，并标注当前模型在这些 LifeVal 任务上的得分（完成率）。以下为页面披露的数据，便于对照 agent 类能力是否在具体场景里可量化：

页面还提到，最新模型在不少 LifeVal 任务上得分已经很高，并链到更多任务结果。这些数字是 OpenAI 自家评测下的展示，不是第三方独立榜单；读数时应连同任务定义与模型版本一并看待（发布页未在本篇资料中单独列出模型名称与版本号）。

与浏览器、计算机使用 agent 的关联¶

OpenAI 写明，过去一年训练重点包括浏览器使用、计算机使用以及 connectors 任务；在 ChatGPT 里启用这些能力后，模型能帮忙的事务类型变多，产品叙事也从「聊天工具」往「能办事的个人 agent」靠拢。LifeVal 在这里的角色是内部与对外公开的进度标尺：用同一套日常任务观察 agent 能力是否在一年内持续提升。

对行业而言，头部厂商把评估轴从 MMLU 一类知识基准挪到「时间使用调查 + 用户意愿调研」合成的生活任务，等于把对齐与营销话术都绑在可复现的任务集上。是否成为事实标准，取决于其他实验室是否公开对标、以及任务是否持续更新以反映政策与产品界面变化。目前可核实的事实是：OpenAI 已发布 LifeVal 的方法背景、样本规模（3,995）、数据来源与部分完成率示例，并把它与 ChatGPT 周活超十亿、agent 能力一年进展的叙述连在一起。

结尾：对评估与产品路线的影响¶

LifeVal 不会替代所有学术评测，但明确表达了 OpenAI 的优先级：衡量「对普通人生活有意义的事办得怎么样」。研发侧可以用类似思路自建任务库；产品侧则会把完成率类指标写进发布材料。第三方若要对比模型，需要先拿到或复现任务定义与评判协议——发布页侧重原则与示例，完整任务清单与评判细节是否全部开放，需以 OpenAI 后续文档为准。

来源：LifeVal | OpenAI（2026-11-02）。