OpenAI 公布 LifeVal：AI 不只要答对题，还要帮人办完日常事务

日常助手的难题，往往不是再多回答一段话

OpenAI 在 11 月 2 日介绍 LifeVal，定位为衡量 AI 在日常生活任务上进展的评估。官方强调，真正有用的个人助手需要帮助用户完成行动，而不只是提供建议。文章展示了照护、教育、家庭管理、个人财务、购物和政府服务等任务领域，关注的是现实责任与决策，而不是单一知识问答。

一个生活任务可能同时包含查资料、比较选项、整理约束和准备下一步操作。比如寻找适合家庭的服务，答案是否流畅只是最初一层，资料是否过时、条件是否满足、是否遗漏用户偏好，都可能决定最后结果。这里是对这类任务的一般解释，不意味着某一模型已经能够可靠承担全部步骤，也不构成对真实服务的推荐。

任务从时间使用研究出发，再问人们最希望哪里得到帮助

官方说明，任务选择参考美国和跨国时间使用研究，并结合一项 3995 人、人口结构具有代表性的调查，了解受访者希望个人助手在哪些事情上提供帮助。这个起点有别于先确定一类模型题目，再寻找使用场景；它试图把日常需求放到评估设计的前面。

但需要注意，调查中人们重视某项帮助，与一个评测能够完整测量该帮助，是两个不同问题。研究者仍需要把开放需求转换成可执行任务、设置成功条件，并处理地域与家庭情况差异。一个地区的入学、公共服务或购物流程，未必能直接代表另一地区。这是评估结果应用时需要考虑的边界，不能把代表性调查扩大解释为全球任务已经被充分覆盖。

示例展示了完整工作流方向，不能把单项百分比当成普遍保证

OpenAI 在页面中展示搬家后筛选幼儿园、组织防洪志愿者、寻找符合家庭条件的住所、远程陪家人看比赛，以及为新确诊疾病的家人准备生活计划等例子。本文不逐项转述页面百分比，因为脱离具体任务设置、工具环境和评判方式，这些数字容易被误解为现实生活中的普遍成功概率。

这类示例最值得读者理解的是完成标准。筛选出候选学校不等于替家长作最终决定，准备材料也不等于已经办理完成；涉及照护与健康时，生活安排更不能取代专业诊断和治疗。评价助手表现，应区分它已经完成的步骤、等待用户确认的选项和仍需专业人员处理的部分，而不是只看最终回复是否像已经办妥。

浏览器、电脑操作和连接器，把能力边界从回答扩展到行动

OpenAI 表示，过去一年持续改进模型在浏览器、电脑操作和连接器任务上的速度、能力与对齐表现，并用 LifeVal 跟踪日常任务进展。官方没有在这篇介绍中宣布一款新的付费套餐，也没有给出所有示例工作流对每个地区、账号和工具组合的开放承诺，因此报道评测时不能顺带写成产品全面上线。

对开发个人 Agent 的团队，一个可借鉴的方向是把验收目标从文字质量移到任务结果：是否找到了正确资料，是否保留了用户约束，是否在外部操作前获得适当确认，出错后能否解释当前状态。这些属于通用工程评估建议，不是 LifeVal 已公开的完整评分细则，也不能代替独立复现。

真正值得继续追问的是失败样本与可复核的任务过程

当任务涉及第三方网站、账户状态或经常变化的信息，运行环境会影响最终结果。相同提示词在不同时间可能遇到不同页面或权限，单次演示因此很难证明长期稳定性。对这类系统进行评估，需要保存足够的输入条件和操作轨迹，才能知道失败发生在信息检索、推理、工具执行还是最后核验。

本次核验以官方介绍为依据，本站没有付费运行这些任务，也没有取得独立复现的总体结果。可以确认的是 OpenAI 公布了评测方向、任务选取依据和若干示例，不能进一步推导它已经解决所有生活事务。后续更有价值的材料是详细方法、覆盖范围、失败类型，以及其他团队在相同条件下能否复现相近表现。

继续阅读