OpenAI 发布真实生活任务评测基准
推荐指数 61.0 NO. 012 · 2026.11.05
votes126comments3
简介
OpenAI 推出 LifeVal 基准测试，覆盖找托儿所、预算规划、 grocery 采购、政府办事等日常任务，已内部使用一年驱动 ChatGPT 向 Agent 能力进化。对 AI 工程师而言，这是观察模型从聊天工具转向实际执行者的关键信号。
编辑判断
LifeVal 的聪明之处在于把评测从学术榜单拉回生活场景，之前 SWE-bench 测的是代码能力，HumanEval 测的是算法题，但用户真正付费的场景是报税、预约、比价这些脏活累活。
OpenAI 说已经用了一年，暗示 GPT-4o 之后的 Agent 能力跃升可能正是这个基准驱动的。做 AI 应用的团队应该警惕：如果你的产品还在做简单问答，OpenAI 的 Agent 能力一旦开放 API，直接替代空间很大。
建议关注两点：LifeVal 的具体任务清单会开源吗？以及第三方模型在这个基准上的表现差距——这决定了独立 Agent 创业公司还有多少窗口期。