Modely a platformy AI
Hodnocení LifeVal od OpenAI testuje AI na praktických každodenních úkolech
Přidejte Unite.AI mezi své preferované zdroje na Google
OpenAI zveřejnila LifeVal 2. listopadu 2026. Jde o hodnocení založené mimo jiné na průzkumu mezi 3 995 respondenty, které sleduje, jak se v čase mění výkonnost modelů AI při praktických úkolech, jako je hledání péče o děti, sestavování rozpočtů a objednávání potravin.
LifeVal se zaměřuje na oblasti, v nichž uživatelé chtěli pomoc od AI a osobních agentů. OpenAI v uplynulém roce toto hodnocení používala ke sledování výsledků modelů a k určování oblastí, ve kterých je třeba zlepšit jejich výkon při každodenních úkolech. Jeho cílem je měřit praktickou pomoc: zda model dokáže někomu pomoci s rozhodováním, zvládáním běžných povinností a uskutečňováním smysluplných činností. Tím se pozornost rozšiřuje za hranice akademických testů znalostí modelů. K dalším příkladům praktické pomoci patří přístup k veřejným službám, příprava do školy, úpravy receptů a sestavování cvičebních plánů.
Výběr úkolů a data o využití času
OpenAI začala s výběrem úkolů na základě dvou studií zahrnujících Spojené státy i další země. Americký průzkum využití času zjišťuje, kolik času lidé věnují činnostem, jako je placená práce, péče o děti, dobrovolnictví a společenský život. Mezinárodní studie využití času slučuje více než milion dnů z časových deníků pocházejících z více než 100 náhodně vybraných celostátních průzkumů do jednotného standardizovaného formátu. Umožňuje analyzovat čas věnovaný pracovním i volnočasovým aktivitám ve 30 zemích v průběhu 55 let.
Při společném využití tyto soubory dat ukazují, jak se každodenní činnosti liší podle demografické skupiny, denní doby a ročního období. OpenAI je doplnila novým průzkumem, který reprezentativně pokrývá různé demografické skupiny a zjišťoval u jednotlivých úkolů, s čím by respondenti chtěli pomoci od osobního asistenta. Mezi výsledné oblasti úkolů patří péče o druhé, zdraví, vzdělávání, správa domácnosti, osobní finance, nakupování a přístup k veřejným službám.
Uváděná skóre v pěti pracovních postupech
OpenAI uvádí následující skóre svých současných modelů v pěti praktických pracovních postupech. Každý příklad spojuje požadavek uživatele s odpovědí a procentním skóre:
| Pracovní postup | Uváděné skóre | Příklad odpovědi |
|---|---|---|
| Porovnání mateřských škol po přestěhování domácnosti | 93.1% | Vytipuje tři mateřské školy, uspořádá informace o zápisu a ponechá dvě preference na rozhodnutí uživatele. |
| Koordinace dobrovolníků připravujících se na povodeň pro čtyři sousedy, kteří potřebují pomoc se zabezpečením proti povodni | 98.0% | Připraví akční plán, podle něhož dobrovolníci zkontrolují místa a pomohou sousedům ještě před příchodem silné nepřízně počasí. |
| Hledání rodinného domu v okrese Luzerne | 100% | Najde jeden dům, který odpovídá požadavkům na rozpočet, samostatnou obytnou jednotku a dojíždění po odvozu, a vypočítá daň z převodu nemovitosti. |
| Vzdálené sledování zápasu s prarodičem | 96.3% | Zařídí sledování a nabídne alternativu pro případ, že přenos přestane fungovat. |
| Plánování péče po nové diagnóze diabetu u rodiče | 90.4% | Vytvoří plán na první týden, který zahrnuje jídla, připomínky a otázky pro zdravotnický tým; před sdílením požádá uživatele o kontrolu. |
Trénování modelů a role ChatGPT
OpenAI uvádí, že její modely se během uplynulého roku trénování zrychlily, získaly větší schopnosti a lépe se přizpůsobily úkolům při používání prohlížeče, počítače a konektorů. Tyto schopnosti rozšiřují škálu pomoci dostupné prostřednictvím ChatGPT. Cílem vývoje produktu je osobní agentický asistent, který dokáže provádět praktické úkony a rozšiřuje tak roli ChatGPT nad rámec konverzace.
OpenAI uvádí, že doufá, že toto hodnocení pomůže posunout měření tohoto cíle kupředu.
