OpenAI 发布 LifeVal 基准：169 个日常任务测评智能体

OpenAI 调研了 3,837 名美国消费者，从 148 项生活任务中筛出人们愿意付费的类别，这些任务年价值超 1.7 万亿美元。LifeVal 将其中最有价值的部分转化为 169 个智能体任务，涵盖理财、搬家、找工作、找托儿等场景，每个任务都配有评分标准、工作环境和离线网页副本，并经过三轮人工审核。成绩从 GPT-5.2 到 GPT-6 Astra 逐步上升，最常见的失败是给出了错误答案或建议，原因往往是漏掉了用户几周前聊天中提到的事实。仅在依赖过往对话的评分项上，模型胜率为 33%，而依赖已保存记忆的项目为 48%。