OpenAI称其AI更擅长购物、制定膳食计划等日常人类任务

11月2日（周一），OpenAI 宣布推出一套内部评测工具，用来衡量自家模型处理“日常琐事”的能力，同时公布了现有模型在这套评测上的成绩。据 CNN 报道，被纳入考察的任务包括把商品放进购物车、填写在线表单、制定预算等人们本来就会交给 ChatGPT 处理的事情。

这次披露的核心是具体分数。2026 年 9 月发布的 GPT-6 Astra 在“搬家后找到合适的幼儿园”任务上得分 93.1%，在“为防汛准备统筹社区志愿者”任务上得分 98%，在“为一位刚被诊断糖尿病的家长制定膳食计划”任务上得分 90.4%。这些题目刻意模仿真实生活，而不是抽象的考试题。

在覆盖更广的日常任务提示上，GPT-6 Astra 的综合得分为 80%，而 2025 年 12 月发布的 GPT-5.2 只有 49.3%。这组对比把过去一年描述成一次实用性跃升，而不只是榜单上的小数点变化。

从评测维度看，OpenAI 关注的是模型拿到正确答案所需要的技能：能否顺畅浏览网站、能否从大量聊天记录中提取并应用上下文、能否给出符合用户需求与预期的结论。任务跨度很大，从找房子一直延伸到照护家人。

OpenAI 给出的动机是看清用例。按照 CNN 的报道，由于使用这款应用的人太多，公司希望覆盖不同的使用场景，追踪能力随时间的变化，并弄清模型在哪些方面仍然不够好。

这类任务的判分并不轻松。报道提到，评测依赖具备相关专业知识的人来判断“正确答案”究竟长什么样，因为一份膳食计划或一张志愿者排班表是否合理，取决于具体家庭、具体灾情等情境，很难像数学题那样有唯一解。

值得关注的是时机。这组成绩发布之际，OpenAI、Meta、Anthropic 和 Google 都在争相开发能完成真实世界任务的 AI agent，同时又要面对安全质疑，以及把巨额基础设施投入转化为收入的压力。

需要保留的疑问同样明显：这些数字由公司自己发布，评测工具本身是内部工具，外界暂时无法独立复核；“日常任务”的判定标准也难以完全统一。后续可以观察 OpenAI 是否公开评测细节与方法，以及这些分数多久会转化成 ChatGPT 里真正可用的 agent 功能。