OpenAI 发布面向日常 AI 任务的 LifeVal 评估

关键要点

  • OpenAI 于 2026 年 11 月 2 日发布了 LifeVal,这是一项评估 AI 在护理、健康、教育和个人理财等日常任务中表现的评测。
  • OpenAI 通过调查 3,995 名在人口统计学方面具有代表性的受访者开发了 LifeVal;受访者指出了需要 AI 个人助理协助完成的任务。
  • GPT-6 Astra 在六项实用任务中均获得满分(100%),包括预约、订购杂货和取消邮件订阅。

OpenAI 于 2026 年 11 月 2 日发布了 LifeVal,这是一项用于追踪 AI 模型在日常任务中表现的评测。该公司创建这项评测,旨在衡量模型在人们希望借助 AI 和个人助理获得帮助的领域的表现,并推动模型不断进步。LifeVal 聚焦于实用工作流程,并列出了 GPT-6 Astra 的已记录成绩。

OpenAI 根据日常任务调查构建 LifeVal

OpenAI 根据美国时间利用调查和多国时间利用研究,确定不同人口群体的人们在一天中不同时段、不同季节会做哪些任务。该公司还通过一项具有代表性的人口统计调查扩展了这些数据集,共有 3,995 名受访者,调查他们最希望个人助理在哪些任务上提供帮助。

最终形成的评测涵盖照护、健康、教育、家庭事务管理、个人财务、购物以及获取政府服务。OpenAI 表示,过去一年里,该公司利用 LifeVal 追踪并推动模型在日常任务方面的性能提升。

LifeVal 报告 GPT-6 Astra 在日常任务中的得分

OpenAI 介绍了一些实用工作流程示例,包括搬家后比较幼儿园、在洪水来临前组织志愿者、寻找合适的家庭住宅、为祖父母安排远程观赛,以及为新确诊糖尿病的父母制定护理和膳食计划。这些示例的已记录得分介于 90.4% 至 100% 之间。

该页面还列出了六项任务,GPT-6 Astra 在每项任务中的最佳已记录得分均为 100%:预约感官课程、预约汽车检查、在预算内订购清真食品、为遗失的订婚戒指寻找替代品、寻找一款可替代三种设备的口袋大小设备,以及取消订阅邮件列表。

OpenAI 训练模型使用浏览器和电脑

OpenAI 表示,过去一年里,该公司训练模型,使其在浏览器使用、电脑使用和连接器任务方面变得更快、更强大,也更加符合用户需求。该公司表示,在 ChatGPT 中启用这些功能,扩大了它能协助处理的任务类型,并使其从聊天工具进一步迈向能够采取行动的个人助理。

LifeVal 衡量 AI 对日常事务的协助能力

OpenAI 表示,要衡量进步,就不能局限于对模型知识的学术评估,还要评估 AI 模型在多大程度上能够帮助人们应对决策、管理日常事务并完成有意义的事情。该公司称,LifeVal 是衡量和提升与日常生活息息相关的任务表现的一个步骤。

LifeVal 记录实用任务得分

  • 搬家后的幼儿园入学工作流程得分为 93.1%。
  • 洪水准备工作中的志愿者管理流程得分为 98.0%。
  • 寻找家庭住宅的工作流程得分为 100%。
  • 为祖父母安排远程观赛的工作流程得分为 96.3%。
  • 为刚确诊糖尿病、正在适应新状况的父母制定护理和膳食计划的工作流程得分为 90.4%。
  • 寻找并预约符合幼儿需求和家庭日程安排的感官课程,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。
  • 查询汽车何时需要保养,并在公路旅行前预约检查,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。
  • 为三顿喜爱的餐食订购清真食品、控制在预算内,并在电子表格中逐项列出订单,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。
  • 根据照片和钻石鉴定报告,为妻子遗失的订婚戒指寻找替代品,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。
  • 寻找并订购一款口袋大小的设备,以替代手机、电子阅读器和掌上游戏机,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。
  • 取消订阅邮件列表,GPT-6 Astra 得分为 100%,是该任务列出的最佳已记录成绩。

常见问题

OpenAI 的 LifeVal 评测是什么?

LifeVal 是 OpenAI 创建的一项评测,用于长期衡量模型在日常任务中的表现,涵盖用户希望借助 AI 和个人助理获得帮助的领域。

有多少受访者参与了用于开发 LifeVal 的调查?

OpenAI 根据美国时间利用调查和多国时间利用研究,开展了一项具有代表性的人口统计调查,共有 3,995 名受访者。

GPT-6 Astra 在列出的 LifeVal 任务中取得了什么成绩?

GPT-6 Astra 在列出的六项任务中均取得了 100% 的最佳成绩:预约感官课程、预约汽车检查、在预算内订购清真食品、为遗失的订婚戒指寻找替代品、寻找一款可替代手机、电子阅读器和掌上游戏机的口袋大小设备,以及取消订阅邮件列表。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论