اوپن‌ای‌آی روز ۲ نوامبر ۲۰۲۶ ارزیابی تازه‌ای با نام LifeVal منتشر کرد که قرار است توانایی مدل‌هایش را در انجام کارهای عملی زندگی روزمره بسنجد، نه پاسخ به پرسش‌های علمی یا برنامه‌نویسی. به گفته شرکت، این وظایف حوزه‌هایی را در بر می‌گیرد که مردم بیش از همه از یک دستیار شخصی کمک می‌خواهند؛ از مراقبت از نزدیکان و سلامت و آموزش گرفته تا امور خانه، مالی شخصی، خرید و سروکار داشتن با ادارات دولتی. هدف این است که روشن شود مدل واقعاً می‌تواند کار را به سرانجام برساند یا فقط توصیه می‌دهد.
اوپن‌ای‌آی برای انتخاب وظایف از دو پژوهش بزرگ درباره نحوه گذران وقت مردم، یعنی «نظرسنجی گذران وقت آمریکا» و «مطالعه چندملیتی گذران وقت»، شروع کرد و سپس نظرسنجی نماینده‌ای از ۳۹۹۵ نفر انجام داد تا بفهمد کمک دستیار در کجا برایشان ارزشمندتر است. سی‌ان‌ان که پیش از انتشار با جنی یانگ، پژوهشگر این شرکت، گفت‌وگو کرده، گزارش می‌دهد که سپس گروهی کوچک‌تر، حدود ۱۰۰ کاربر، خودشان وظایف را نوشتند و زمینه شخصی‌ای را که به مدل می‌دادند همراه با معیاری برای سنجش موفقیت مشخص کردند. این افراد باید تخصص واقعی خود را نشان می‌دادند؛ مثلاً کسی که وظیفه‌ای درباره برنامه‌ریزی مالی پیشنهاد می‌کرد، باید سال‌ها با یک مشاور مالی کار کرده بود.
این وظایف مهارت‌هایی را می‌آزمایند که یک عامل شخصی لازم دارد: پیمایش وب‌سایت‌ها، استفاده از حجم زیادی از زمینه مانند تاریخچه گفت‌وگوهای کاربر، و رسیدن به نتیجه‌ای که با نیاز فرد جور باشد. صفحه اوپن‌ای‌آی نمونه‌هایی همراه با امتیاز نشان می‌دهد: ۹۳٫۱ درصد برای فهرست کردن مهدکودک‌های مناسب پس از اسباب‌کشی، ۹۸ درصد برای سازمان‌دهی داوطلبان پیش از سیل، ۱۰۰ درصد برای یافتن خانه‌ای در شهرستان لوزرن و افزودن سند آن به سبد اداره ثبت، ۹۶٫۳ درصد برای فراهم کردن راهی برای تماشای مسابقه از راه دور همراه مادربزرگ، و ۹۰٫۴ درصد برای برنامه مراقبت و غذای هفته اول والدی که تازه دیابتش تشخیص داده شده است. سی‌ان‌ان این امتیازها را به مدل GPT-6 Astra نسبت می‌دهد. جدولی جداگانه هم وظایفی را فهرست می‌کند که بهترین تلاش ثبت‌شده این مدل در آن‌ها به ۱۰۰ درصد رسیده، مانند رزرو معاینه فنی خودرو یا سفارش خرید حلال.
مقایسه اصلی از گزارش سی‌ان‌ان می‌آید: بنا بر آزمایش‌های اوپن‌ای‌آی، مدل GPT-6 Astra که در ماه سپتامبر عرضه شد، در عملکرد کلی روی این درخواست‌های روزمره ۸۰ درصد امتیاز می‌گیرد، در حالی که GPT-5.2 که دسامبر ۲۰۲۵ عرضه شده بود، ۴۹٫۳ درصد گرفته بود. اوپن‌ای‌آی می‌گوید در یک سال گذشته از این آزمون برای پیگیری و پیشبرد پیشرفت استفاده کرده و در همین مدت مدل‌هایش را برای سریع‌تر، تواناتر و هم‌راستاتر شدن در مرور وب، کار با رایانه و اتصال‌دهنده‌ها آموزش داده است؛ قابلیت‌هایی که به چت‌جی‌پی‌تی اجازه می‌دهند از طرف کاربر اقدام کند.
آزمون LifeVal منطق GDPval را، که اوپن‌ای‌آی سال گذشته برای سنجش عملکرد در کارهای حرفه‌ای صنایع مختلف منتشر کرد، به زندگی خانگی می‌برد. سی‌ان‌ان این عرضه را در چارچوب رقابت اوپن‌ای‌آی، متا، آنتروپیک و گوگل برای ساخت عامل‌های شخصی می‌بیند و از عامل Muse متا، عامل Dots اوپن‌ای‌آی و اپلیکیشن Claude Duet آنتروپیک نام می‌برد. یانگ به سی‌ان‌ان گفته هدف این است که معلوم شود مدل‌ها هنوز در چه کارهایی ضعیف‌اند و با انجام کارهایی مثل پس فرستادن یک بسته، وقت مردم آزاد شود.
جزئیات مهمی در دست نیست. نوشته اوپن‌ای‌آی نمی‌گوید این آزمون چند وظیفه دارد، امتیاز چگونه محاسبه می‌شود یا چه کسی تلاش‌ها را داوری می‌کند، و روشن نمی‌کند آزمون‌ها روی وب‌سایت‌های واقعی اجرا می‌شوند یا نسخه‌های شبیه‌سازی‌شده؛ مجموعه وظایف هم در اختیار دیگران قرار نگرفته است. فقط مدل‌های خود اوپن‌ای‌آی سنجیده شده‌اند، پس مقایسه‌ای با رقبا وجود ندارد، و امتیاز بهترین تلاش چیز زیادی درباره میزان موفقیت در یک تلاش معمولی نمی‌گوید. سی‌ان‌ان همچنین یادآوری می‌کند که کارهای روزمره گسترده‌اند، به اطلاعاتی که کاربر می‌دهد وابسته‌اند و ممکن است نتیجه‌شان سلیقه‌ای باشد.