OpenAI 发布 LifeVal：用日常任务评测模型

OpenAI 于 2026 年 11 月 2 日发布 LifeVal 评估集，衡量模型在照护、健康、教育、家庭行政、个人财务、购物与政府服务七类日常任务上的表现。任务来自时间使用研究与 3,995 人调查，公告未提供数据集下载入口。

这次发布的是什么

OpenAI 于 2026 年 11 月 2 日发布 LifeVal，副标题是「Measuring AI progress on the tasks that matter in everyday life」。它不是模型，也不是新功能，而是一套衡量模型在日常生活任务上表现的评估集，归在 Research 栏目下的 Publication 分类。

覆盖的领域有七类：照护、健康、教育、家庭行政事务、个人财务、购物、获取政府服务。OpenAI 的说法是，这些方向来自用户最希望 AI 帮上忙的地方；评估目标不是「给建议」，而是「把事办成」。

可用性与限制

• 形态：研究发布，不是可直接使用的产品或接口
• 数据集：公告没有给下载地址，也没有写许可证
• 范围：只覆盖日常任务，不含法律、医学等专业场景
• 方法：基于两项时间使用研究，加一项 3,995 人的代表性调查
• 结果：公告展示了部分示例任务的表现，没有完整榜单
• 更新：定位是长期追踪，后续会随模型迭代补充

主要功能

• 用真实生活任务而不是学科题目做评估
• 任务描述带场景与目标，例如搬家后给孩子报名幼儿园
• 覆盖七个与日常生活直接相关的领域
• 关注浏览器使用、计算机操作、连接器这三类代理能力
• 为模型进步提供一条可重复的观察线

技术原理

按公告的说法，构建顺序是「先找事，再出题」。第一步用美国时间使用调查与国际多国时间使用研究，看人们把时间花在哪里；第二步做一项具有人口代表性的调查，样本 3,995 人，用来筛出最希望 AI 协助的方向；第三步把这些方向写成带具体目标的任务。

评估的对象是端到端完成情况，而不是单轮回答的质量。公告把浏览器使用、计算机操作、连接器视作支撑任务的底座 —— 有了它们，模型才能点开网页、操作界面、连到外部数据，而不只是输出一段文字。

评分如何执行（人工判定还是自动校验）、任务总量多少，公告没有展开，本文不推测。

实际体验

可复现的观察有三点。

一是页面形态。公告页是动态渲染的，部分可视化区块会先显示 Loading，等脚本加载后才出内容；直接用纯文本抓取只能拿到叙述部分。

二是读数方式。公告给出的示例任务表现由 OpenAI 自己评测、自己发布，任务集与口径都自成一套。它适合看「同一套题上的纵向变化」，不适合与其他机构的榜单横向比较 —— 没有共同基线。

三是设计取向。任务写的是「给谁办什么事」，比如为刚确诊糖尿病的父母准备膳食与护理计划；这与常见基准里的选择题、代码题是两种题型，测的是规划与执行，不是知识回忆。

项目地址与获取方式

• 公告页：https://openai.com/index/lifeval
• 数据集与评测代码：公告未提供入口。想复现的话，只能等官方后续在 Research 页面补充，或以公告描述的方法自行搭建
• 请通过 OpenAI 官方渠道获取，不要从第三方转存处下载来路不明的数据包

适合谁用

• 做 agent 产品、需要一套生活场景任务做内测的产品团队
• 关注评测方法的研究者
• 想判断「AI 能不能真的代办事务」的普通用户
• 不必用：要找可下载基准跑分的工程团队，目前没有公开获取路径

常见问题

LifeVal 是一个新模型吗？

不是。它是一套评估集与评估方法，衡量对象是模型，不是模型本身。

能下载数据集吗？

截至发稿，公告没有提供下载链接或许可说明。可复现性目前取决于官方后续是否开放。

为什么用生活任务而不是考试题？

官方给出的理由是：学术评估测的是模型知道什么，LifeVal 测的是模型能不能帮人把日常的事推进下去。

公告里的分数能横向比较吗？

不建议。它是自建任务集上的自报结果，与其他机构的基准没有共同基线，跨榜比较会失真。

和 ChatGPT 的代理能力是什么关系？

公告把浏览器使用、计算机操作、连接器当作支撑这类任务的能力，LifeVal 用来追踪进展，不是一个新的开关或产品入口。

相关工具与内容

站内 ChatGPT 工具页 记录了这个产品的形态；评测方法上，MentalHealthBench 那篇 讲的是另一类「用真实场景题取代单选题」的做法，Anthropic 引入独立评测方 讨论的则是谁来评的问题。想了解 agent 侧的组织方式，可以看 AI 智能体分类 与 单循环还是多子智能体。