当每周使用 ChatGPT 的人数突破 10 亿大关，OpenAI 发现自己必须讲出一个比陪聊更性感的新故事。这家公司正式公布了一套名为 LifeVal 的内部评估体系，专门衡量模型在育儿、医疗、理财、政务等日常琐事中直接动手办事的能力，并在五个精选生活工作流中晒出了 90.4% 至 100% 的高分成绩单。
表面看，这是一份宣告 AI 个人助手已经成熟的成绩单；但如果对照行业标准与外部线索拆解就会发现，LifeVal 既没有公开题库，也没有披露评分代码。它更像是一份用美国人真实时间消耗表裁剪出来的产品商业路线图，用来为新一代智能体模型铺路，同时把缺乏统一评测标准的行业难题留给了外部观察者。
盯着 10 亿人的时间账本，OpenAI 晒出日常代办满分卷
过去两年，大模型在奥数、编程和学术考试上的跑分已经卷到边际效益递减，普通用户却依然要自己填政务表格、自己比对学区房。为了把 ChatGPT 从对话工具变成能接管电脑和浏览器的办事员，OpenAI 没有像往常一样找学者出题，而是直接搬出了美国劳工统计局的美国时间使用调查（ATUS）与多国时间使用研究（MTUS）。
这两套庞大的社会学数据库记录了不同人群一天 24 小时究竟把时间耗在了哪里。OpenAI 在此基础上对 3,995 名受访者 做了具有人口统计代表性的补充调查，筛出人们最渴望找人代劳的七大领地，涵盖照护、健康、教育、家庭行政、个人财务、购物和政务服务。
在这套评估的驱动下，OpenAI 训练模型提升浏览器操作（Browser Use）、计算机控制（Computer Use）和跨应用连接器（Connectors）三项执行能力，并放出了五个具体生活场景的得分：
- 搬家后对比附近幼儿园、整理入学要求并缩减至三家候选，得分 93.1%；
- 赶在洪水来临前为四户需要防洪支援的邻居组织社区志愿者行动方案，得分 98.0%；
- 在宾夕法尼亚州 Luzerne County 按预算、独立居住单元和送娃后短通勤条件找房，计算房地产转让税并将地契加入县记录购物车，拿到 100% 满分；
- 为身处异地的祖母设置好一起远程看球赛的直播与备用流方案，得分 96.3%；
- 为刚确诊糖尿病的父母制定第一周饮食、提醒和就医提问清单，得分 90.4%。
从商业逻辑看，直接按人类时间消耗表索骥是极其锋利的产品切口。谁能帮这 10 亿周活用户把耗在政务网、房产局和医院门户上的时间省下来，谁就能截流传统垂直网站的前端入口。
消失的考卷与 GPT-6 Astra 暗线，高分背后藏着不透明路演
然而，当外部研究者试图复现这些高达 90% 以上的惊艳分数时，却撞上了一堵空气墙。OpenAI 在展示上述高分的同时，既没有公布 LifeVal 的完整任务集和总题量分母，也没有开源评分协议、复现测试框架（evaluation harness）或 3,995 人调查的抽样细节。
我们不知道 Luzerne County 找房拿到的 100%，究竟代表模型在成百上千次真实网页盲测中端到端零失误，还是仅仅在某一次拆解出的几十个评分点里拿满了步骤分。如果网页中途弹出验证码、如果县政府地契系统临时改版，模型重试了几次、有没有人类干预，官方页面只字未提。
顺着公开线索交叉比对，可以拼出 LifeVal 在 OpenAI 内部的真实角色。在 OpenAI 官方的 GPT-6 Astra 页面上，同样展示了找儿科医生、找公寓、预约车辆管理局（DMV）、找零食和幼儿园分析等高度重合的日常代办任务。官方在页面上明确标注这些演示视频为剪辑片段（edited excerpts），且并未在当前页面将其公开标定为公共 LifeVal 基准。
另一条线索来自第三方评测追踪机构 BenchAlert。该机构声称在 2026 年 9 月 3 日抓取到一份与 GPT-6 Astra 相关的归档页面，其中一条脚注将人类完成任务的时间消耗归因于 Lifeval 数据收集（Lifeval data collection）；不过 BenchAlert 也声明无法证实该页面曾正式上线，且未独立验证其基准声明。两条线索交汇说明，LifeVal 更像是 OpenAI 内部用于收集人类耗时基线、对齐新一代模型代理能力，并服务于产品台前演示的内部标尺。
没有公开考卷与评分脚本的满分，本质上是产品路演而非科学评测。
值得一提的是，任何试图去搜寻这套题库的读者都会遇到严重的命名撞车。学术界目前存在两个极易与它混淆的项目，一个是华东师范大学、爱奇艺与上海创智学院研究人员在 ACL 2025 论文《LIFBench》中提出的 LIFEval，包含 2,766 条指令，用来测 20 个模型在 6 个上下文长度区间的长文本指令遵循能力；另一个是名为 LifeEval 的第一视角日常辅助多模态基准，包含 6 个维度的 4,075 个问答对。OpenAI 的这套内部家务事评估与上述两个学术开源项目毫无关联。
对照开源硬核基准，把税单和食谱交给 AI 还差一张容错账本
把 LifeVal 放进行业现有的智能体评测坐标系里，更能看清内部打分与公开硬仗之间的温差。目前主流的智能体基准都在死磕环境的可复现性与结果的可验证性。
以学术界广泛采用的 OSWorld 为例，它包含 369 个真实桌面与网页跨应用任务，必须通过特定的执行脚本来验证电脑系统状态是否真正改变；WebArena 则搭建了自托管的电商、论坛等完整功能网站，用程序化方式检查任务完成度；就连 OpenAI 自己此前发布的 BrowseComp，也明确给出了 1,266 个需要持续浏览和整合线索的难题。因为评估目标和运行环境完全不同，这些基准上的百分比得分根本无法与 LifeVal 的 90%+ 直接互换对比。
这种不透明直接关系到两类人群的真实处境。对于房产、育儿、地方政务服务等垂直平台而言，当 ChatGPT 用浏览器操作和连接器直接帮用户把地契加进购物车、把幼儿园名单筛好，传统网站赖以生存的页面停留和广告转化将被彻底绕开，要不要向 OpenAI 开放连接器接口会成为今年最纠结的商业决策。
而对于真正打算把家务事交给 AI 的普通家庭和弱势群体家属，风险则更加具体。帮异地祖母调个看球赛的直播链接，就算那 3.7% 的失败率 撞上了，最多只是少看半场球；但在计算 Luzerne County 房产转让税、拉取法律地契，或是为新确诊糖尿病的父母安排第一周护理与饮食计划时，哪怕只有微小的幻觉或操作失误，代价也是真金白银的税务罚款或老人血糖失控。
- 风险.在缺乏公开错误率与容错边界披露的前提下，切勿让 AI 智能体在医疗护理、税务计算和法律文书购物车中跳过人工复核直接执行最终确认。
接下来最值得盯紧的变量有两个，一是 OpenAI 会不会像当年发布 BrowseComp 一样，真正把 LifeVal 的评测集、总题量和评分脚本开源出来接受同行检验；二是支撑这些高分案例的计算机控制（Computer Use）与连接器功能，何时会在每周 10 亿人使用的 ChatGPT 消费端全面放开。在那之前，满分海报看看就好，地契和食谱还得自己再核一遍。