GPT-6.2還沒發佈，OpenAI先給AI換了一把尺子

這兩天AI圈最熱的消息，是GPT-6.2。據IT之家援引《The Information》報道，OpenAI最快可能在當地時間週五（11月6日）發佈新一代Astra、Sol系列模型，以及一個面向網絡安全的Cyber模型。報道沒有給出型號編號、定價、上下文窗口和基準成績，連這些模型會先走API、ChatGPT還是Codex都不清楚。

同一時間，另一件事被蓋過去了：OpenAI放出了一個叫LifeVal的基準。據新智元報道，它不測做題，只測“辦事”——找保姆、辦退稅、規劃跨國搬家這類日常任務，論文掛在OpenAI官網。

我的判斷是：模型發佈越來越像例行公事，真正值得企業留意的是評價標準的轉向——從“考得好”轉向“辦得成”。

為什麼一個跑分測試比新模型更值得看

據新智元報道，LifeVal的題目不是拍腦袋想的。OpenAI查了美國勞工統計局的《美國時間使用調查》和多國時間使用研究，覆蓋25個國家的人每天時間花在哪；又對3800多名符合美國人口普查分佈的真實消費者做了支付意願問卷，最後篩出148個生活任務。報道稱，這些任務若交給一個完美的超級助理完成，美國消費者每年願意掏的錢合計1.7萬億美元。

這個數字怎麼算出來的、靠不靠譜，我沒法替OpenAI背書。但它指向的方向很清楚：評測的對象從“知識”變成了“任務閉環”。

過去幾年，大模型廠商比拼的是律考、奧數、代碼競賽。這些分數對企業用戶其實很隔膜——你買AI不是讓它考試，是讓它把一件具體的事從頭做到尾。LifeVal把“高上下文、個性化、強代理性”寫進測試特徵，等於承認了一件事：難的不是答對，是記住你的情況、按你的條件辦完、還能被核對。

這對企業意味著什麼？意味著以後選型時，“跑分高”的解釋力會下降。你要問的是：它在我的場景裡，能不能把一件事辦完整，辦完的東西我能不能查。

反方說法：這不就是又一個營銷概念嗎

最常見的反駁是：基準是廠商自己出的，題目自己選，標準自己定，跟自賣自誇有什麼區別。

這個質疑成立，而且部分成立。LifeVal由OpenAI自己發佈，148個任務、1.7萬億美元的估值，都帶著廠商視角。它證明不了OpenAI的模型一定最強。

但“自定標準”和“標準沒用”是兩回事。真正的問題不是誰定的，而是這個標準能不能被外部複核。據新智元報道，LifeVal的論文是公開的，任務清單、調研方法都寫在裡面，別人可以拿同一套題去測自己的模型，也可以質疑題目選得偏不偏。可複核，就還有討論空間；不可複核，才叫營銷。

你看，連新模型自己都還停在主觀體驗階段。這時候一個公開的評測框架，反而是稀缺的。

這個判斷在什麼條件下不成立

如果LifeVal最終只是論文裡的一套題，沒有第三方跟進復現，沒有廠商拿它做橫向對比，那它就只是一次公關動作，我上面的話要打折。

反過來，如果接下來幾個月，別的廠商開始用類似的任務型基準說話，企業採購時開始問“你在我的業務任務上跑成什麼樣”，那這個轉向就是真的。

現在能確定的是：模型能力的敘事正在從“更聰明”往“更能辦事”挪。不確定的是，這個新尺子會不會被行業接住。

企業現在可以先做的一件事

別急著等GPT-6.2。先把你自己的“LifeVal”列出來——你業務裡最費人、最容易出錯、又最需要逐條核對的那幾件事，寫清楚輸入是什麼、輸出該長什麼樣、錯了怎麼發現。

這件事比追新模型有用。因為模型會一直換，你的任務清單不會。

順帶說一句，舍予AI智審做的就是這類活的一個切面：把科技項目申報材料變成可核對的證據表，幾十到幾百頁幾秒讀完，每個抽出的值帶頁碼、原文，結論追得回指南原文，四值結果不默認通過，數據不出內網。它只管申報材料這一種任務，別的場景接不住。你要的是先想清楚自己的任務長什麼樣，再去找對得上的工具。