OpenAI发布LifeVal基准，衡量AI能否真正帮人办成日常事务

OpenAI于11月2日在其官网发布名为LifeVal的新基准，用来衡量AI在多大程度上能真正帮人完成日常事务。按照官方简介，这些事务包括寻找托儿服务、管理个人财务以及处理政府文书等，都是需要多步操作、跨平台查证并做取舍的现实任务。

这类任务与过去常见的评测题有明显差别。题目式基准通常给出一个封闭问题，答案对错清晰；而找托儿服务要先筛选地点、价格与时间，再核对口碑和空位，管理财务要在收支、账单与风险之间做权衡，政府文书则涉及表格、资格条件与提交时限。

正因如此，LifeVal的定位更像是在测“事情有没有办成”，而不是“回答得像不像”。对普通用户来说，一个助手能否把流程推进到可提交、可执行的状态，比它能否复述政策条款更有意义；这也解释了为什么基准的描述把重点放在任务完成上。

把评测重心从知识问答移向生活场景，是近两年AI评测的一条主线。随着模型在标准化考试、竞赛题和代码题上的分数不断逼近上限，这些榜单能提供的区分度在下降，团队需要新的、更难被记忆和刷分的任务集，来判断系统在开放环境中的实际能力。

LifeVal的出现也把一个老问题摆到台面上：生活类任务的评价标准由谁来定。同一个“帮我处理政府文书”的请求，在不同地区、不同家庭状况下路径完全不同，评分既要看结果是否正确，也要看过程是否合规、是否让用户承担了不必要的风险。

目前公开信息集中在基准的定位与覆盖范围，具体任务集、评分方式以及结果是否公开等细节还有待更多披露。对开发者而言，值得关注的是它会不会成为衡量智能体产品的一条通用标尺；对用户而言，真正的检验是这些助手能否在真实账单和真实截止日期前不掉链子。

接下来要看的是采用情况。如果模型厂商和智能体团队开始把LifeVal纳入发布时的自评，日常事务的处理能力就会像代码能力一样被摆到同一张桌子上比较，而这正是过去几年评测体系里相对空白的一块。