你上次被生活琐事搞到崩，是哪件？
给娃找幼儿园，要跑三个园区比资质比路线；搬家后过户水电燃气，材料备齐还得排队。没人爱干这些事，共同点就一个字：碎。
11月2日，OpenAI干了件挺识趣的事：给AI安排了一场"过日子考试"，名叫 LifeVal，不测代码不测数学，衡量模型能不能把日常个人助理任务真正做完，而不只是给建议——找托育、办政务、做预算、管钱。全是上面那种碎事。知乎哔哩哔哩微博
先说考分：官网主图上，GPT-6 Astra拿了80.6分，比 GPT-5.2 的49.3%跳涨31.3分。但曲线值得多看一眼：大涨只发生了一次，先涨23.7个百分点，随后三轮只剩4.4、2.6、0.6。增速明显慢了下来。也别把80.6当成"八成琐事都办成了"——它只是不加权平均奖励，部分完成也给分。微博知乎哔哩哔哩
这场考试真正值钱的不是分数，是出题方式：先抄两套"国民时间账本"，摸清普通人的时间被做饭、通勤、填表切碎在哪儿。再靠一份3,995人的问卷问出：哪些事你最想外包。最后要求出题人反复亲自办过这件事，每题至少三轮人工质检。“AI助手好不好用”，第一次从聊天体感变成了可打分的任务清单。知乎微博知乎
但有3处，别急着照单全收。
一，考场和阅卷都是OpenAI自己。 它是自建评测，官页没提供可独立复现的任务包。两个自动评分器用的都是自家GPT-5.6。榜单五个模型全是自家，还用这把尺子驱动自家改进。人工抽检过30道题：人打83.61，机器打84.20，一致性不低。但厂商的尺子量厂商自己，读数天然要偏一点。36氪标题直接喊"价值1.7万亿美元，接管全球80亿人类"。媒体比OpenAI自己激动。知乎知乎哔哩哔哩36氪
二，考场是模拟的，你家不是。 每道任务都配了专门环境，网页操作大多是在离线网页里完成的。真实网站的登录、验证码、支付弹窗不在这场考场里。同一个模型换个尺子就是另一个世界：GPT-5.4在LifeVal拿73分，放到153个真实网站上办日常事务只剩6.5——真实版按办成没办成判分，还拦住最后那下提交。国内博主拿同一套8个日常任务测了四款个人AI助理，最扎心的是"12306买火车票"：四家都能查到车次，一家都没买成，全卡在同一个地方——短信验证登录，还有提单那一步的校验。知乎哔哩哔哩小红书
不是它笨，是这条路本来就没给机器留门。真正卡住人的，永远是登录、验证码、付款这几道关。小红书
三，满分不等于办完。 官方展示的找房任务得了100%，模型最后一步是把房契放进购物车、等用户审阅——满分合理。因为委托终点本来就是"我来审"，看房出价签字都超出要求。分数衡量的是题目要求，不是你想象中的甩手掌柜。知乎
普通人怎么用这张成绩单？一条能落地的线：让AI备齐材料，重要提交自己做。 比价、理清单、起草方案，错了能撤，尽管放手；涉及身份、钱和难以撤销的承诺，先保留人工确认。授权也只单次有效——获准整理资料，不等于获准付款。知乎
对中文用户，考题看着陌生，流程一点不陌生：这就是国内AI助手正在卷的方向。12580的新定位是"个人智能助理"，一句语音指令就能拨号、排日程、发导航。微信小微在内测里已经能用文字或语音对话查天气、查快递、点外卖。考场不同，题目同款。知乎微博
风向也在变：ChatGPT里非工作消息占比已从53%涨到七成以上。人们要的不是军师，是帮手。这场考试最大的意义，不是宣布AI毕业了，而是第一次把"替人办事"放上了一把可打分的尺子。尺子是OpenAI自家的，刻度也偏美国生活，但方向是真的：AI助手这门生意，从此不比谁聊得妙，比谁把事办成。哔哩哔哩微博
下次想把事外包给AI，先照它的出题方式问三句：终点在哪？错了能撤吗？谁来验收？想清楚再交题——这是这场"过日子考试"最实在的价值。
