OpenAI称其AI在购物和膳食规划等人类事务上表现更佳

OpenAI本周一发布了一套全新的内部评估工具，专门用来衡量AI模型在购物、做预算、规划餐食等日常事务上的表现，并同步公布了自家模型在这套测试中的成绩。按照OpenAI的说法，其GPT-6 Astra模型在“搬家后找到合适的幼儿园”这一任务上得分93.1%，在“组织社区志愿者应对洪水”上得分98%，在“为刚确诊糖尿病的家长制定一周餐食计划”上得分90.4%。这是OpenAI首次系统性地把评估重点从写作业、做PPT这类内容生成任务，转向那些过去被认为只能由人来完成的琐碎生活事务。 OpenAI之所以要搞这套测试，直接原因是竞争格局变了。Meta、Anthropic和谷歌都在争相开发能替用户处理真实世界任务的AI智能体（AI Agent），谁能让AI真正“把事办成”，谁就能在下一阶段占得先机。但难点在于，日常生活任务的评估标准远比编程、数学题模糊——去超市该买什么、给孩子选哪所幼儿园，步骤和所需技能既宽泛又主观，不同用户给出的背景信息不同，AI的答案也会大相径庭。为此OpenAI先参考了美国劳工统计局的美国人时间使用调查和英国的多国时间使用调查，发现睡眠、吃饭这类高频事项AI根本帮不上忙，于是转而直接问用户：你最希望AI助手帮你做什么？公司调查了约4000名ChatGPT用户，并让其中约100人写下具体任务、愿意提供给AI的个人背景信息，以及判断任务是否完成的评分标准。OpenAI还设了门槛，比如提出财务规划测试的人，本身必须有多年的理财顾问从业经验。对跨境电商卖家和出海创业者来说，这套评估释放的信号很明确：AI助手正从“帮你写”走向“替你做”，未来选品调研、物流方案比价、客服工单处理这类重复性运营工作，可能会越来越多地交给智能体完成，而模型在真实场景中的靠谱程度，也将成为各家AI产品拉开差距的关键。