找人代劳的事成了考题：日常事务评测上，GPT-6 Astra 多条任务记录到满分
核心概要
面向个人助理的评测改用日常事务作题目。OpenAI 从美国时间使用调查、跨国时间使用调查出发，又做了一份 3995 人的代表性问卷，挑出人们最希望有人代劳的事，编成 LifeVal，并用它跟踪模型过去一年在这类任务上的进展。示例任务里，当前模型在搬家后择校上达到 93.1%，在为糖尿病新诊断的家人准备餐食上达到 90.4%；标为 GPT-6 Astra 最佳记录的表格中，订感官课、预约保养、订购清真食材等任务记为 100%。
深度剖析
衡量个人助理的尺子，从模型知道多少换成了它能不能把一件日常事务办完。 过去的评测多落在学术性的知识问答上，而 LifeVal 的题目先由美国时间使用调查与跨国时间使用调查给出清单，再用一份 3995 人的代表性问卷筛出人们最想请人代劳的部分，覆盖照护、健康、教育、家务管理、个人财务、购物和政府服务。 落到单项，当前模型的示例任务里，调度社区防洪志愿者一题为 98.0%，为远方祖母安排一起看球一题为 96.3%，按预算与通勤找房一题为 100%。
要把这类事务办完，模型得会动手，而不只是回一段话。 过去一年，OpenAI 在浏览器使用、电脑使用和连接器这三类任务上训练模型，让它们更快、更强、更对齐；把这些能力放进 ChatGPT 之后，能帮上的任务类型随之变多，ChatGPT 也从聊天工具转向智能体式的个人助理。 题目本身是多步骤的：订清真食材要在预算内为三道菜下单并把清单整理进表格，找房一题要把产权文件放进购物车等人复核。
启示与展望
这套评测衡量的是模型能不能把照护、健康、教育、家务管理、个人财务、购物和政府服务这几类多步骤事务办完，成绩以单项任务百分比的形式给出。
表头写的是 GPT-6 Astra 的最佳记录，100% 属于单项上的最好成绩，不等于平均表现；示例任务的百分比对应的是当前模型，与表格并非同一口径。过去一年的走势在来源里以图呈现，这份摘要没有给出对应数值，提升幅度无法量化。