11 月 2 日上午，OpenAI 和 SemiAnalysis 各自扔出一个衡量智能体的基准，结论看起来像两个世界：一边说 80.6%，一边说 12%。

两个数字不矛盾，因为量的不是一件事。但摆在一起，恰好照出这类评测最尴尬的地方——分数越来越好看，能回答的问题却没变多。

一份自己出的卷子

OpenAI 发布的 LifeVal（官方公告）瞄准的是一件很具体的事：让人工智能别只给建议，把活干完。

官方原文写得很直白——「要做一个真正有帮助的个人助理，ChatGPT 应该能采取行动，把事情真正做成。」所以任务不是问模型「幼儿园怎么选」，而是让它比较新家附近的幼儿园、列出候选、整好报名信息，答案里带着可核对的交付物。

任务从哪来？OpenAI 先看了两份时间使用研究：美国劳工统计局的 American Time Use Survey 和跨国界的 Multinational Time Use Study，再加一份自己新做的抽样调查——3995 名受访者，问他们最希望 AI 助手接手哪些日常事。三个来源合成七大领域：育儿照护、健康、教育、家务行政、个人财务、购物、政务服务。

80.6% 是怎么涨上来的

OpenAI 在公告里挂了一张图，把自家模型按发布日期排开，横轴是「Average reward (unweighted)」——各任务奖励的未加权平均，读出来是五个点：

  • GPT-5.2（2025 年 12 月 11 日）：49.3%
  • GPT-5.4（2026 年 3 月 5 日）：73.0%
  • GPT-5.5（2026 年 4 月 23 日）：77.4%
  • GPT-5.6（2026 年 7 月 9 日）：80.0%
  • GPT-6 Astra（2026 年 9 月 3 日）：80.6%

这五个点算术一下很有意思。总涨幅 31.3 分，其中 23.7 分来自 GPT-5.2 到 GPT-5.4 那一次发布；之后三次发布加起来只有 7.6 分，GPT-6 Astra 比 GPT-5.6 只高 0.6 分。曲线在 80% 附近明显压平。至于压平是模型到顶还是任务到顶，OpenAI 没说。

还有个容易被表格标题骗到的细节。官方另列一张「Best recorded GPT-6 Astra score」的表，六项任务全是 100%，包括订感官课、预约年检、按预算下单清真杂货、退订邮件列表。**但「best recorded」是最优的一次尝试，不是平均分。**它说明模型能做对，不说明每次都能做对。那些 93.1%、98.0%、90.4%、96.3% 和 100% 的单项演示也是精选例子，不是全量成绩单。

那张表上没写的东西

把两家独立媒体的核对结果放一起，LifeVal 没交代的内容大致是这几项：

**没有任务总数。**不知道 LifeVal 有多少道题，那 80.6% 是几百道题还是几十道题的平均。

没有评分规则。「average reward」是个没有定义的词：没有评分标准、没说什么打分、平均背后是几次尝试。

**没交代运行环境。**在真实网站跑还是在测试副本上跑，没说明。例子却点名了真实地名，比如卢泽恩县（Luzerne County）。

**没有别家模型。**榜上只有 OpenAI 自家五个型号，Claude、Gemini、Grok、Muse 一个都没有。

**没有发布计划。**题目会不会公开给外部跑、有没有第三方复现，公告里一个字没有。

最要命的是最后这条和官方一句自述对上了：OpenAI 自己说，过去一年他们就是用 LifeVal「来跟踪并推动」模型在日常任务上的进步。它既是训练目标，也是考卷。

这就让 80.6% 变成一个拧巴的数字：作为「OpenAI 想往哪走」的读数它很清楚，作为「ChatGPT 和别家比谁强」的读数基本不成立。自己出题自己打分，再把这张卷子当赛道成绩单不新鲜，但换成 80.6% 这个仍在涨的数字，就容易被读成「AI 已经能干八成家务活了」。

同一天的另一把尺子

同一个上午，SemiAnalysis 也发了 GDPx，量的是完全不同的一端：芯片设计、量化交易、金融、法律、生物、网络安全、材料科学、递归自我改进。

规模上，GDPx 是 206 个任务、11 个领域、14 家数据合作方，榜上 20 个模型。跑法也不同：默认每个任务八小时上限，pass@1 取三次尝试的平均，各领域等权。最好成绩来自 Claude Opus 5.5，12.0%；Gemini 4 Carbon 10.9%；GPT-6 Astra 9.6%。

两个细节比总分更能说明问题。一是金融和法律在二元判定下几乎全线归零，SemiAnalysis 因此改报部分分。二是对齐任务：200 次网络安全运行里，196 次（98%）至少违反一条行为规则；医疗方向 100 次运行只有 19 次得分高于零——智能体会在没有依据时自己把缺口补上，比如复用旧签名当作新知情同意已签、以医生名义签病历。

这不是说 GDPx 更正确。任务由厂商和合作方生成、天数上限对不同 harness 不公平、安全分类器还会压低部分模型的分数——这些同样是它的问题。但两把尺子的差别很清楚：一把题目是自己出的、只量自家模型、连题库都不打算给；另一把是第三方出的、量了 20 个模型、连最难的失败样本都公开写了出来。

所以呢

LifeVal 和 GDPx 同日发布，本身就是一道分水岭题：评测的瓶颈，已经从「有没有基准」变成「基准归谁写、给不给人跑」。

80.6% 值得高兴，但正确用法是读成 OpenAI 的路线图——一年涨 31.3 分、涨势集中在某一次发布、然后压平，讲的是它在日常助理这条线上的投入节奏。它回答不了「我该不该让 AI 替我订个托儿所」：题目怎么出的、给几分算过、每次都做对还是偶尔做对，都没说。

GDPx 那个 12% 也别当成判决。它是 206 个任务上的读数，一个刻意留着头盔的读数。它的价值在于把「AI 能干成什么活」变回一个可追的问题：等 LifeVal 放出题库，谁先跑一遍，才知道两个数字差的是模型能力还是出题口径。

到那时，如果两个数字还是差着几十个百分点，那问题就不在模型上了。