要点
- OpenAI（2026-11-02）推出 LifeVal，自称用于衡量并推动模型在「日常生活中真正重要的任务」上的进展，强调个人助手应能采取行动而不只是给建议。
- 任务来源：美国时间使用调查（ATUS）、多国时间使用研究（MTUS），外加 demographically representative 调查 3,995 名受访者；领域含照护、健康、教育、家务行政、个人财务、购物、获取政府服务。
- 文中给出当前模型示例分：入园选择 93.1%、洪灾志愿组织 98.0%、为家庭找房 100%、远程陪看比赛 96.3%、糖尿病饮食照护周计划 90.4%；并称过去一年强化浏览器/电脑使用与 connectors。
LifeVal 把评测叙事从学术知识榜，挪到「找托儿、办政务、订菜、管预算」这类用户声称最想要帮助的日常流程，并明确把目标写成能办事的 agentic 个人助手。
可证伪读法：若第三方无法在相近任务定义下复现文中 90%+ 示例分，或高分主要来自窄脚本/人工辅助而非端到端自主完成，则 2026-11-02 公告应主要读作产品方向与训练优先级声明，而非已交付可泛化的日常任务 SOTA；若独立复现与失败案例披露同步站稳，则应上修对「日常任务评测驱动模型改进」的权重。
[1]官网硬事实：栏目日期 November 2, 2026；标题 LifeVal；副题 Measuring AI progress on the tasks that matter in everyday life。OpenAI 称 ChatGPT 每周用户逾十亿，并列举育儿、政府服务、预算、入学、食谱、杂货、健身计划等场景。
方法叙述：从 ATUS 与 MTUS 出发，再做 3,995 人问卷以识别「最希望个人助手帮忙」的任务。文中展示多条「Open conversation」式示例工作流及百分比分数，并称 latest models 在许多 LifeVal 任务上得分很高；过去一年在 browser use、computer use、connectors 上推动更快、更强、更对齐。
[1]证据是 OpenAI 官方研究/产品向博文：有调查样本量与示例分，但未附完整任务卡、评分细则、人类基线、置信区间或第三方复现包。100% 找房等分数尤其需要「成功」定义（短名单？下单？合规完成？）才能解释。
钢人论证：用时间使用研究锚定任务分布，再用代表样问卷找「最想要帮助」的交叉，比只刷学术榜更贴近消费者助手产品；把浏览器/电脑使用与 connectors 写进同一改进故事，逻辑上匹配「能行动」。钢人之外，机构自评 + 精选高分示例，天然偏向宣传成功路径，低估长尾失败、权限、法律责任与数据错误。
[1]最强钢人：若日常任务评测真能闭环驱动训练，ChatGPT 有机会从「会聊」转向「能办完一件事」；对普通用户，这比再刷一个知识基准更有体感。
钢人风险：示例分集中在 90–100，却缺少可比模型对照与失败模式；政务、医疗、房产等任务的合规与真实性风险被一笔带过；「逾十亿周活」是产品规模声明，并不自动证明 LifeVal 外部效度。
[1]对产品与评测读者，LifeVal 是 OpenAI 公开把「日常可行动任务」升格为内部北极星的信号；对政策与安全读者，浏览器/电脑使用能力扩张意味着错误与滥用的作用面也在扩大。观察点应放在任务定义是否公开、独立复现是否可行，以及高分任务是否伴随可审计的工具调用轨迹。
[1]短期不要把示例百分比读成已结算的日常 AGI 进度条：应以任务规范公开程度、第三方复跑，以及真实用户工作流中的完成率/撤销率为准。若这三者缺位，LifeVal 更像训练与叙事仪表盘；若三者齐备，它才可能成为消费级 agent 评测的参照坐标。
【No.2】
[1]