据 Beating 报道,OpenAI 发布了 LifeVal,这是一套新的评估框架,旨在测试 AI 模型处理普通人日常任务的能力。该系统涵盖育儿、医疗、购物、财务和教育等领域,场景包括寻找幼儿园、购买食品杂货、管理政府福利以及照顾生病的家人。
OpenAI 根据对 3,995 人的调查开发了这项基准测试,调查内容涉及他们最希望 AI 协助完成的任务。各代模型的表现有了显著提升:GPT-5.2 的平均得分为 49.3%,GPT-6 Astra 则达到 80.6%。早期版本间的提升更为明显:GPT-5.4 得分达到 73%,GPT-5.6 达到 80%;相比之下,Astra 仅提升了 0.6 个百分点。示例任务中,寻找住房的得分为 100%,选择幼儿园的得分为 93.1%。