近日，OpenAI发布Lifeval基准测试，用于衡量AI在照护、健康、教育、家庭管理、个人财务及政府服务等日常生活场景中的表现。与侧重知识问答和单项能力的传统评测不同，Lifeval重点关注AI能否将任务推进至可执行、可交付的状态，评估其解决实际问题的能力。

该基准参考美国时间使用调查（American Time Use Survey），并基于3995名受访者的调研构建。过去一年，OpenAI持续利用Lifeval追踪模型能力改进。公开测试案例显示，AI为孩子筛选幼儿园的任务得分达到93.1%，组织防洪志愿者得分为98.0%，为糖尿病患者制定膳食计划得分为90.4%。

OpenAI同时强调，Lifeval目前主要作为内部评估工具使用，尚未向外界完整开放任务集和评分代码，因此相关测试结果仍需谨慎解读。

此次推出Lifeval，反映出OpenAI正在将模型评估重点从信息理解和内容生成，进一步延伸至复杂现实任务的规划与执行，推动AI从对话工具向具备实际行动能力的个人助理演进。