OpenAI让AI去办生活琐事，GPT-6 Astra拿了几个100%

OpenAI 11月2日发布 LifeVal，一个测 AI 处理日常事务的基准。benchmark 可以理解成一套统一考题。LifeVal 的考题很具体：找幼儿园、预约车检、买清真杂货、退订邮件、给刚确诊糖尿病的父母做饮食计划。

它考什么

LifeVal 的任务来自日常时间使用调查。OpenAI 先用 American Time Use Survey 和 Multinational Time Use Study 做底，又补了 3995 人的代表性调研，找出普通人最想让 AI 帮忙的地方。任务覆盖 caregiving、health、education、household administration、personal finances、shopping、government services。

它把抽象推理和编程放在一边，重点看模型能不能在浏览器、电脑操作和连接器里把事办完。OpenAI 说过去一年用 LifeVal 跟踪并改进模型，训练方向包括 browser use、computer use、connectors。目标很清楚：让 ChatGPT 从聊天工具走向能自己动手的助理。

成绩单

GPT-6 Astra 在部分任务 best recorded runs 拿到 100%：

• 找并预约适合幼儿的感官课，100%
• 出发前查保养并预约车检，100%
• 按预算买清真杂货，把订单逐项写进表格，100%
• 用照片和钻石报告找失踪订婚戒指的替代品，100%
• 找并下单一个口袋设备，替代手机、电纸书、掌机，100%
• 退订邮件列表，100%

其他任务也不低：搬新家后选幼儿园 93.1%，洪水前管理志愿者 98.0%，在 Luzerne County 找房 100%，远程陪奶奶看球 96.3%，糖尿病新诊断父母的饮食计划 90.4%。

满分怎么来的

这些 100% 来自 best recorded runs。所有运行的平均值没给。DailyAI 在回复 Mark Kretschmann 时点得很直接：100% 是挑过的运行，他更想看所有运行的平均值；OpenAI 自己出题、自己评分，这个设置很舒服。

Kyrelle Buckley 问，childcare 的 pass 是确认预订，还是只给 shortlist。这个问题不刁钻。找幼儿园和真的订到幼儿园，中间差着电话、名额、押金和父母的时间。pitching downrange 提醒，这类 eval 会非常 harness-sensitive。环境怎么搭、浏览器状态怎么复现、什么算完成，都会影响分数。

RAY 的回复更实际：childcare 和 government services 意味着模型要知道你全部生活，他希望这类能力跑在自己机器上，否则不要。Brad Watton 给了个测试题：如果它能在电话里搞定英国税务海关总署 HMRC，那才算 AGI。

正面例子也有。Andrew 说 SOL 上个月帮他拿到借书卡，还在图书馆找到 Amazon wishlist 里的免费有声书。他猜政府项目注册量会涨。Valenciana 的吐槽也成立：benchmark 不错，但别把它说成拯救人类，这事不救命。

一个判断

LifeVal 的价值在于把 AGI 叙事拽回生活琐事。找幼儿园、买杂货、退订邮件、预约车检，这些事没有 benchmark 光环，却是普通用户真正愿意交给 agent 的活。OpenAI 的页面在这里：LifeVal。

对开发者，LifeVal 释放的信号更清楚：eval 会从知识问答转向多步骤、带工具、可验证结果的流程。真正难的是 harness 怎么搭、环境怎么复现、pass 怎么定义、成本怎么算。对普通用户，先别被 100% 晃到。看平均分，看失败案例，看第三方复现，看隐私边界。