OpenAI 于 11 月 2 日发布了 LifeVal 基准，把考试从做题转向过日子：它考察 AI 智能体能否帮人完成寻找托育服务、管理家庭预算、办理政府服务等现实任务。这些事看似琐碎，却恰恰是普通人最希望 AI 帮忙、也最容易出错的地方。
这项基准的意义在于换了一把尺子。过去的很多评测关注知识问答或代码通过率，而 LifeVal 更关心多步骤的执行、信息核对和对现实约束的理解——比如预算有限、时间冲突、手续不全时该怎么办。
当然，基准分数不等于现实可靠性。测试环境里的“完成”与真实世界中替人办事的责任、隐私与纠错成本仍有差距，分数只能作为研发方向的参考，不能直接当成“可以放心托付”的证明。
评论（0）
暂无评论