← Semua artikel
OpenAI bocorkan LifeVal, ujian baru untuk tugasan harian
Berita AI

OpenAI bocorkan LifeVal, ujian baru untuk tugasan harian

OpenAI perkenalkan LifeVal, penanda aras yang mengukur seberapa baik model AI mengendalikan tugasan harian seperti urusan kewangan, penjagaan anak dan kerajaan.

OpenAI telah memperkenalkan penanda aras baharu bernama LifeVal yang mengukur seberapa baik model AI mengendalikan tugasan harian sebenar. Ia diumumkan dalam blog rasmi OpenAI pada 2 November 2026, dengan kertas kajian penuh diterbitkan sehari kemudian. Berbeza dengan ujian akademik biasa, LifeVal menilai kerja praktikal: urus bajet, cari tadika, urus dokumen kerajaan, dan beli barang dapur.

1. Apa itu LifeVal

LifeVal ialah set ujian yang mengukur keupayaan model AI menjadi pembantu peribadi yang benar-benar berfungsi. Setiap tugasan memerlukan model mengambil tindakan sebenar di komputer: buka laman web, isi borang, rujuk fail peribadi dan urus urusetia digital.

OpenAI menyatakan ia telah menggunakan LifeVal sepanjang setahun lepas untuk mengukur dan menambah baik keupayaan modelnya dalam tiga bidang: penggunaan pelayar, penggunaan komputer dan penyambung (connectors). Dengan kata lain, penanda aras ini bukan hiasan; ia menjadi pemandu latihan model ChatGPT selama setahun sebelum didedahkan kepada umum.

2. Bagaimana OpenAI memilih tugasan

OpenAI bermula dengan dua kajian masa: American Time Use Survey daripada Bureau of Labor Statistics, dan Multinational Time Use Study yang mengumpul kajian diari masa daripada lebih 100 tinjauan kebangsaan merentas 30 negara.

Untuk tahu di mana orang paling mahu bantuan, OpenAI menjalankan tinjauan sendiri. Blog rasmi menyebut tinjauan wakil demografik dengan 3,995 responden. Kertas kajian penuh pula menyebut tinjauan kesanggupan membayar dengan 3,837 responden. Dua angka ini datang dari dua laporan berbeza, dan OpenAI tidak menyamakannya.

Beberapa orang menguruskan dokumen bersama-sama
Urusan dokumen dan perkhidmatan kerajaan ialah salah satu bidang dalam LifeVal. Gambar: OpenAI.

3. Angka besar: 148 kategori, 1.7 trilion dolar

Menurut kertas kajian, LifeVal merangkumi 148 kategori tugasan pengguna dengan nilai kesanggupan membayar melebihi 1.7 trilion dolar AS setahun. Kategori paling berharga ialah aktiviti rumah dan kewangan, dianggarkan 505 bilion dolar setahun, diikuti penjagaan orang lain pada 329 bilion dolar.

Contoh tugasan dalam set ujian termasuk mencari tadika untuk anak, mengurus sukarelawan sebelum banjir, mencari rumah baru, dan menyiapkan pelan makanan untuk ibu bapa yang baru didiagnosis diabetes.

4. Contoh skor tugasan

Blog OpenAI memaparkan skor beberapa aliran kerja sebenar. Enrol tadika yang betul selepas berpindah: 93.1%. Mengurus sukarelawan sebelum banjir: 98.0%. Mencari rumah baru untuk keluarga: 100%. Menyiapkan cara menonton perlawanan bersama nenek dari jauh: 96.3%. Pelan makan untuk diagnosis diabetes: 90.4%.

Seorang lelaki membawa kotak di sebelah lori berpindah rumah
Mencari rumah baru adalah satu daripada tugasan dalam set ujian LifeVal. Gambar: OpenAI.

Skor tinggi ini datang daripada model terbaharu OpenAI pada tugasan yang dipersonalisasi dengan data ChatGPT sebenar. OpenAI sendiri tidak mengumumkan tarikh pelancaran sebarang produk berkaitan LifeVal, dan Firstpost menyerlahkan bahawa skor ujian tidak semestinya menjamin kebolehpercayaan dalam setiap situasi dunia sebenar.

5. Apa yang berbeza daripada ujian biasa

Kebanyakan penanda aras AI menguji pengetahuan akademik: matematik, kod, sains. LifeVal menguji sesuatu yang lebih susah: tugasan yang memerlukan konteks peribadi, memerlukan beberapa langkah berturut, dan dinilai dengan rubrik yang ditulis oleh pakar yang pernah menyelesaikan tugasan sama dalam kehidupan sebenar mereka.

Setiap tugasan dalam LifeVal dibina oleh pencipta tugasan yang pernah menyiapkannya sendiri sekurang-kurangnya setahun, dan semua tugasan melalui sekurang-kurangnya tiga pusingan kawalan kualiti manusia sebelum diterima, menurut kertas kajian.

Apa maksudnya untuk anda

Arah pembangunan AI kini jelas: daripada bot sembang kepada ejen yang menyiapkan kerja rumah. Untuk pengguna biasa di Malaysia, ini bermakna:

  1. ChatGPT semakin bergerak ke arah ejen. Keupayaan seperti penggunaan pelayar dan komputer kini diukur dan dilatih secara serius, bukan ciri eksperimen.
  2. Tugasan pentadbiran jadi sasaran utama. Kewangan, dokumen kerajaan, penjagaan dan pendidikan ialah kategori dengan nilai tertinggi, jadi ciri baharu kemungkinan besar sampai di situ dahulu.
  3. Skor benchmark bukan jaminan. OpenAI sendiri mengesahkan modelnya masih boleh gagal pada situasi sebenar. Sentiasa semak hasil kerja penting sebelum hantar atau bayar.
  4. Persaingan akan meningkat. Jika OpenAI mengukur kejayaan dengan tugasan harian, pesaing seperti Google dan Anthropic akan diukur dengan cara sama, dan itu baik untuk pengguna.
  5. Mula guna Alat AI untuk kerja berulang. Tugasan seperti penyusunan bajet atau carian dokumen ialah tempat paling selamat untuk latih tubi menggunakan ejen AI hari ini.

Sumber