OpenAI 自出生活琐事考卷，Astra 只比上代高 0.6 分

上一次放心把正经事交给 AI 办，是什么时候？不是写段代码，是找托儿所、填政务表格、理一个月的账。

11 月 2 日，OpenAI 发布了 LifeVal，一套专门测 AI 办生活琐事能力的评测。官方说，这套题他们内部已经用了一年。我们 AI主线 的看法是：方向选对了，但这次放出来的分数只能当 OpenAI 的自我汇报来读，GPT-6 Astra 的 80.6% 和 GPT-5.6 的 80.0% 之间，几乎拉不开差距。

这份卷子考的是“办事”，不是“答题”

先说题是怎么来的。OpenAI 翻了美国的时间使用调查和多国时间使用研究，看大伙一天的时间都花在哪儿，又自己做了一次覆盖 3995 人的问卷，问大家想让私人助理帮什么忙。

圈出来的领域有照护、健康、教育、家务行政、个人理财、购物和政务办理。接着请约 100 位有相关经验的用户出题，每道题写清要办什么事、愿意交代哪些个人背景，还附一份评分细则。

题目举几个就明白了：搬家后给孩子挑对幼儿园，给刚确诊糖尿病的家长安排备餐，洪水来之前协调志愿者，在预算内订清真食材，预约车检。

这些事的共同点是没有标准答案，只有办成没办成、办得靠不靠谱。跟背课文式的考试比，更像让 AI 去干一整天杂活。去年 OpenAI 发过测职场技能的 GDPval，LifeVal 算是它的家庭版，路数一脉相承。

80.6 分，是猛还是平？

先看分数。在 OpenAI 自己的图表里，2025 年 12 月发布的 GPT-5.2 是 49.3%，9 月 3 日发布的 GPT-6 Astra 是 80.6%。听着涨了一大截，对吧？

中间几站就不用一个个念了，要紧的是曲线的形状：从 5.2 到 5.4 一口气涨了 23.7 分，之后三个版本合起来才涨 7.6 分，Astra 比 5.6 只多 0.6 分。

这条曲线像爬楼梯，前几层大步流星，到了八十分这一层就开始一小步一小步地挪。要么是模型真到了瓶颈，要么是这份卷子在高分段已经不太分得出新旧模型，两种可能都说得通。

还有一点容易读岔：这个分是按评分细则打出来的平均得分，别直接读成“十件事办成八件”。

自己出题、自己阅卷，信得过吗？

我在意的是这儿。LifeVal 的任务集没有公开，也没有排行榜，阅卷用的是 OpenAI 自家的评分器，图上画的全是 OpenAI 自己的模型，Claude 和 Gemini 都不在场。

出题的、阅卷的、参赛的是同一拨人，外人没法复现。（跑分党看了估计只能干瞪眼。）

官方挑出来展示的单项成绩也得看清楚。幼儿园 93.1%，糖尿病备餐 90.4%，洪水志愿者协调 98.0%，看着都漂亮。可展示的单项里，有些写明是 Astra 高光那一次的记录，订清真食材和预约车检就拿过满分。“高光一次”和“次次都行”之间的距离，好比只晒命中率最高的那场球。

再往深想一层。政务表格、理财这类事，错一个日期、漏一项资格，后果比写错一行代码重得多，各地规则还不一样，幼儿园的报名规矩换个城市就是另一套。一个统一的平均分，能不能说明“在你那儿也靠谱”，我是打问号的。

跟写代码的、做内容的、搞选型的有啥关系？

直接关系不大。LifeVal 不是写代码榜，天天开着 Claude Code、Cursor、Codex 的朋友，没法拿它换算成手感。

它真正透露的是 OpenAI 的路线。官方说，要把 ChatGPT 从聊天工具变成真能动手把事办完的助手，Astra 本身也是冲着操作电脑、长流程任务去的。LifeVal 就是给这个方向配的尺子，有了尺子，训练就有了靶子，跟 GDPval 是一个思路。

选型的同学，这个分数眼下还撑不起一份采购报告。拿你们自己的三五件真实杂事跑一遍，比盯着 80.6% 有用。我们 AI主线 更愿意等第三方把同一类题跑出来，再说谁强谁弱。

接下来盯两件事：任务集和评分细则放不放出来，别家的模型有没有被拉到同一张卷子上跑。这两件有了，80.6 才算得上一个能拿来比的数。