I
IAI 编辑部 · 官方 Official
IAI 编辑部 · 新闻解读 / News analysis
日期：OpenAI 于 **2026-11-02** 发布《LifeVal》（核实路径：openai.com/index/lifeval）。定位是度量模型在**日常生活任务**上的进展，而不只是学术知识测验。文中明确：过去一年用该评测跟踪并驱动模型在日常任务上的改进；并提到在 **browser use / computer use / connectors** 上变得更快、更强、更对齐，从而把 ChatGPT 从聊天工具推向可行动的个人助手。**任务全集是否公开、评分细则、第三方复现协议等，以 OpenAI 后续说明为准；文中个例分数与「需自测」数字请勿直接当采购或 SLA 承诺**。
一、事实要点（官方页）
- **评测目标**：覆盖用户最希望 AI/个人助手帮忙的领域——照护、健康、教育、家庭行政、个人财务、购物、获取政府服务等；示例场景包括找托儿、办政务、做预算、备学、改食谱、订菜、设计训练计划等。
- **任务来源**：以美国时间使用调查（American Time Use Survey）与跨国时间使用研究（Multinational Time Use Study）为底，再叠加一项人口统计代表性调查（**3,995** 名受访者），识别人们最希望个人助手协助的任务。
- **个例工作流分数（官页展示「当前模型」在示例任务上的表现；未在摘录段逐条绑定具体模型名，阅读时勿外推为全库平均）**：搬家后择园入园约 **93.1%**；洪涝前组织志愿者约 **98.0%**；按预算/通勤找房约 **100%**；远程与家人一起看比赛约 **96.3%**；糖尿病饮食照护周计划约 **90.4%**。
- **能力面**：官文强调日常任务往往需要**真正把事办完**（不只给建议），并与浏览器使用、电脑使用、连接器类能力训练相关。
- **边界**：LifeVal 由 OpenAI 自建自评；公开页未等同于独立第三方审计。企业接入时仍需自建业务终态检查与失败分桶。
二、编辑部怎么看（偏工程）
1. **把「日常任务成功」拆成可执行终态，而不是聊天满意度**：入园短名单是否含必需字段、购物车是否真正加入标的、失败时是否有备份路径——和 Agent 评测里「工具调用成功 ≠ 业务终态正确」同构。对照：https://www.iaiforum.com/t/44 、https://www.iaiforum.com/t/111 。
2. **浏览器/电脑使用必须进同一评测闸门**：LifeVal 叙事依赖可行动作面；企业若只测纯文本问答，会系统性高估助手就绪度。工具/执行面纪律：https://www.iaiforum.com/t/77 ；Computer Use 生产闸门可对照：https://www.iaiforum.com/t/102 。
3. **个例高分 ≠ 可上线**：官页示例偏展示最佳路径；产线要同时报至少成功一次与 k 次全成功、以及人审卡点（支付/发送/隐私写入）。ThinkingBox/终态断言：https://www.iaiforum.com/t/67 。
4. **成本与延迟分桶**：日常助手任务步数、截图轮次、连接器调用、$/成功任务要分列；只看完成率会掩盖「又慢又贵」。成本：https://www.iaiforum.com/t/61 ；评测集：https://www.iaiforum.com/t/88 。
5. **灰度同构**：新模型/新工具权限上线用四列对照（正确率、安全拒绝/人审率、覆盖损失、$/任务）：https://www.iaiforum.com/t/87 。
三、English summary
On 2026-11-02 OpenAI published LifeVal, an evaluation of everyday-life tasks (caregiving, health, education, household admin, finances, shopping, government services) informed by time-use studies plus a demographically representative survey of 3,995 respondents. The post ties progress to stronger browser use, computer use, and connectors, and shows high example-task scores for practical workflows. Treat LifeVal as a product-direction signal for agentic assistants—not a drop-in enterprise SLA. Keep executable end-state checks, tool/sandbox gates, and $/successful-task accounting in your own release criteria.
四、讨论问题
1. 你们企业助手评测集里，**纯问答** 与 **需浏览器/电脑/连接器完成的任务** 各占多少？有没有只测前者就宣称「助手可用」的案例？
2. 高风险动作（支付、发送、改权限）是否已从「自动完成」里拆出阻塞式人审？
3. 若要对齐 LifeVal 方向，你们会先补 **任务集代表性**，还是先补 **工具执行面沙箱**？
来源 Sources
- OpenAI LifeVal（2026-11-02）：https://openai.com/index/lifeval
- 相关本站：Agent 评测 https://www.iaiforum.com/t/44 · 自建评测 https://www.iaiforum.com/t/111 · 工具面 https://www.iaiforum.com/t/77 · Computer Use https://www.iaiforum.com/t/102 · 终态 https://www.iaiforum.com/t/67 · 评测集 https://www.iaiforum.com/t/88 · 灰度 https://www.iaiforum.com/t/87 · 成本 https://www.iaiforum.com/t/61
欢迎贴（可脱敏）你们对「日常任务终态检查」的字段清单；勿把官页个例分数写成已通过的企业验收证明。
——
IAI 编辑部（iaiforum.com 官方编辑账号 · Official editorial account of IAI Forum）
日期：OpenAI 于 **2026-11-02** 发布《LifeVal》（核实路径：openai.com/index/lifeval）。定位是度量模型在**日常生活任务**上的进展，而不只是学术知识测验。文中明确：过去一年用该评测跟踪并驱动模型在日常任务上的改进；并提到在 **browser use / computer use / connectors** 上变得更快、更强、更对齐，从而把 ChatGPT 从聊天工具推向可行动的个人助手。**任务全集是否公开、评分细则、第三方复现协议等，以 OpenAI 后续说明为准；文中个例分数与「需自测」数字请勿直接当采购或 SLA 承诺**。
一、事实要点（官方页）
- **评测目标**：覆盖用户最希望 AI/个人助手帮忙的领域——照护、健康、教育、家庭行政、个人财务、购物、获取政府服务等；示例场景包括找托儿、办政务、做预算、备学、改食谱、订菜、设计训练计划等。
- **任务来源**：以美国时间使用调查（American Time Use Survey）与跨国时间使用研究（Multinational Time Use Study）为底，再叠加一项人口统计代表性调查（**3,995** 名受访者），识别人们最希望个人助手协助的任务。
- **个例工作流分数（官页展示「当前模型」在示例任务上的表现；未在摘录段逐条绑定具体模型名，阅读时勿外推为全库平均）**：搬家后择园入园约 **93.1%**；洪涝前组织志愿者约 **98.0%**；按预算/通勤找房约 **100%**；远程与家人一起看比赛约 **96.3%**；糖尿病饮食照护周计划约 **90.4%**。
- **能力面**：官文强调日常任务往往需要**真正把事办完**（不只给建议），并与浏览器使用、电脑使用、连接器类能力训练相关。
- **边界**：LifeVal 由 OpenAI 自建自评；公开页未等同于独立第三方审计。企业接入时仍需自建业务终态检查与失败分桶。
二、编辑部怎么看（偏工程）
1. **把「日常任务成功」拆成可执行终态，而不是聊天满意度**：入园短名单是否含必需字段、购物车是否真正加入标的、失败时是否有备份路径——和 Agent 评测里「工具调用成功 ≠ 业务终态正确」同构。对照：https://www.iaiforum.com/t/44 、https://www.iaiforum.com/t/111 。
2. **浏览器/电脑使用必须进同一评测闸门**：LifeVal 叙事依赖可行动作面；企业若只测纯文本问答，会系统性高估助手就绪度。工具/执行面纪律：https://www.iaiforum.com/t/77 ；Computer Use 生产闸门可对照：https://www.iaiforum.com/t/102 。
3. **个例高分 ≠ 可上线**：官页示例偏展示最佳路径；产线要同时报至少成功一次与 k 次全成功、以及人审卡点（支付/发送/隐私写入）。ThinkingBox/终态断言：https://www.iaiforum.com/t/67 。
4. **成本与延迟分桶**：日常助手任务步数、截图轮次、连接器调用、$/成功任务要分列；只看完成率会掩盖「又慢又贵」。成本：https://www.iaiforum.com/t/61 ；评测集：https://www.iaiforum.com/t/88 。
5. **灰度同构**：新模型/新工具权限上线用四列对照（正确率、安全拒绝/人审率、覆盖损失、$/任务）：https://www.iaiforum.com/t/87 。
三、English summary
On 2026-11-02 OpenAI published LifeVal, an evaluation of everyday-life tasks (caregiving, health, education, household admin, finances, shopping, government services) informed by time-use studies plus a demographically representative survey of 3,995 respondents. The post ties progress to stronger browser use, computer use, and connectors, and shows high example-task scores for practical workflows. Treat LifeVal as a product-direction signal for agentic assistants—not a drop-in enterprise SLA. Keep executable end-state checks, tool/sandbox gates, and $/successful-task accounting in your own release criteria.
四、讨论问题
1. 你们企业助手评测集里，**纯问答** 与 **需浏览器/电脑/连接器完成的任务** 各占多少？有没有只测前者就宣称「助手可用」的案例？
2. 高风险动作（支付、发送、改权限）是否已从「自动完成」里拆出阻塞式人审？
3. 若要对齐 LifeVal 方向，你们会先补 **任务集代表性**，还是先补 **工具执行面沙箱**？
来源 Sources
- OpenAI LifeVal（2026-11-02）：https://openai.com/index/lifeval
- 相关本站：Agent 评测 https://www.iaiforum.com/t/44 · 自建评测 https://www.iaiforum.com/t/111 · 工具面 https://www.iaiforum.com/t/77 · Computer Use https://www.iaiforum.com/t/102 · 终态 https://www.iaiforum.com/t/67 · 评测集 https://www.iaiforum.com/t/88 · 灰度 https://www.iaiforum.com/t/87 · 成本 https://www.iaiforum.com/t/61
欢迎贴（可脱敏）你们对「日常任务终态检查」的字段清单；勿把官页个例分数写成已通过的企业验收证明。
——
IAI 编辑部（iaiforum.com 官方编辑账号 · Official editorial account of IAI Forum）