OpenAI công bố LifeVal: bài kiểm tra việc đời thường, và con số 80,6% tự chấm của GPT-6 Astra

Ngày 2 tháng 11 năm 2026, theo nhiều nguồn độc lập thống nhất, OpenAI công bố LifeVal, một bài kiểm tra do model làm việc đời thường thay vì thi kiến thức hay code. Câu hỏi đáng tiền nhất nằm ở con số 80,6% của GPT-6 Astra: đó là điểm tự chấm trên bộ task không công khai, hay là thước đo đáng tin để anh em chọn model?

LifeVal là bài kiểm tra việc đời thường của OpenAI. Con số 80,6% của GPT-6 Astra lấy từ biểu đồ tương tác trên trang OpenAI, theo cách đọc của nhiều trang phân tích độc lập, không nằm trong thân bài dạng text của trang chính thức. Bài này khuyên thử mức medium hoặc high trên việc thật của mình trước khi trả tiền cho mức max.

LifeVal đo việc đời thường bằng task lấy từ dữ liệu thời gian thật và khảo sát 3.995 người

OpenAI LifeVal bắt đầu từ một nhận xét đời thường, đó là một trợ lý cá nhân thực sự hữu ích thì phải làm xong việc giúp mình, chứ không dừng ở mức đưa lời khuyên.

Trợ lý làm việc thật chứ không chỉ trả lời chat

OpenAI giới thiệu LifeVal là một evaluation đo model làm tốt đến đâu trên các task đời thường, thay vì chỉ trả lời chat. Trang chính thức nhắc ChatGPT hiện có hơn một tỉ người dùng mỗi tuần, nên câu hỏi tiếp theo là nó có làm xong việc giúp người ta hay không. OpenAI cũng nói đã dùng evaluation này để theo dõi và thúc đẩy cải thiện model trên task đời thường trong năm qua, gắn với việc huấn luyện model cho các task browser use, computer use và connectors, để ChatGPT thành trợ lý agentic.

Task lấy từ dữ liệu thời gian và khảo sát 3.995 người

Cách chọn task bắt đầu từ hai nghiên cứu theo dõi cách con người dùng thời gian ở Mỹ và quốc tế, là American Time Use Survey và Multinational Time Use Study, cho ra danh mục chi tiết các việc đời thường theo nhóm nhân khẩu, thời điểm trong ngày và mùa. Sau đó OpenAI bổ sung một khảo sát mới, được mô tả là demographically representative, với 3.995 người trả lời, hỏi nhiều câu cho mỗi task để xác định những lĩnh vực người bình thường muốn trợ lý giúp nhất. Anh em đừng gộp nhóm này với feedback từ hàng nghìn người dùng ChatGPT trên bài đăng X của OpenAI, vì trang chính thức không nói 3.995 người trả lời là người dùng ChatGPT, còn nhóm khoảng 100 người cũng chỉ xuất hiện ở bài phân tích, chưa được xác minh tại nguồn chính thức.

Bảy nhóm task theo trang chính thức

Bảy lĩnh vực task theo trang chính thức gồm caregiving, health, education, household administration, personal finances, shopping và accessing government services, kèm ví dụ như tìm childcare, dùng dịch vụ chính phủ, lập ngân sách, chuẩn bị đi học, chỉnh công thức nấu ăn, đặt thực phẩm và lên kế hoạch tập luyện, và đây mới là khung task, chưa phải danh sách task chi tiết công khai.

Năm ví dụ OpenAI tự chọn đạt 90,4% đến 100% trong khi mức trung bình chỉ 80,6%

Năm ví dụ trong thân trang chính thức cho thấy mặt tốt nhất của benchmark.

Năm ví dụ OpenAI tự chọn

Trang chính thức giới thiệu năm ví dụ là cách “our current models” làm trên các workflow thực tế, và trang không ghi tên model cho từng ví dụ.

Ghi danh trường mẫu giáo sau khi chuyển nhà, đạt 93,1%, với shortlist ba trường và hai lựa chọn còn lại để người dùng quyết.

Quản lý tình nguyện viên chống lũ cho bốn hộ dân cần hỗ trợ floodproofing, đạt 98,0%.

Tìm nhà mới ở Luzerne County, đạt 100%, với nhà vừa ngân sách, có không gian sống riêng, giữ quãng đường đi làm ngắn, và thêm deed vào cart để người dùng xem lại.

Xem trận đấu cùng bà từ xa, đạt 96,3%, kèm phương án dự phòng nếu stream lỗi.

Và chuẩn bị bữa ăn cho phụ huynh mới chẩn đoán tiểu đường, đạt 90,4%, với kế hoạch tuần đầu gồm bữa ăn, nhắc nhở và câu hỏi cho đội ngũ chăm sóc, cùng đề nghị xem lại trước khi chia sẻ với phụ huynh.

Vì sao năm ví dụ cao hơn mức trung bình cũng dễ hiểu

Năm ví dụ do OpenAI tự chọn, điểm từ 90,4% đến 100%, cao hơn mức trung bình 80,6% của model tốt nhất, nên đây là mặt tốt nhất của benchmark, và đọc nó thành mức điển hình thì sẽ lệch. Cái đáng học theo ở đây là agent làm phần việc nặng rồi dừng trước bước không thể đảo ngược để người dùng duyệt, như thêm deed vào cart để xem lại thay vì mua luôn, hay chốt shortlist ba trường nhưng để lại hai lựa chọn cho người dùng quyết.

Con số 80,6% là average reward không trọng số trên 169 task

Con số 80,6% là average reward, tức là mỗi điểm là trung bình các attempt trong một task, rồi trung bình không trọng số của 169 task, và 80,6% tương ứng với reward 0,806, với ghi chú trên chart là “No WTP weighting”, tức không áp trọng số theo willingness to pay. Cả con số 169 task và định nghĩa này đều đến từ biểu đồ tương tác trên trang OpenAI, theo cách đọc của nhiều trang phân tích độc lập, không nằm trong thân bài dạng text của trang chính thức, và suy luận của ExplainX về phần trăm ở ví dụ cũng chỉ là suy luận của họ.

Bảng điểm chart tương tác ghi GPT-6 Astra 80,6% ở mức xhigh và 169 task, ngoài thân bài dạng text của trang chính thức

Đọc lướt thân bài dạng text thì anh em sẽ không thấy con số headline, nên mục này cần ghi nguồn chart trước đã.

Ghi nguồn chart trước khi đọc bất kỳ con số nào

Mọi con số trong mục này đều do các bài phân tích độc lập đọc từ biểu đồ tương tác trên trang OpenAI, không có trong thân bài dạng text, vốn chỉ công bố năm ví dụ nêu ở mục trước. Apidog, CellCog, AI Weekly và Paktechstan thống nhất ở các con số headline, trong khi AlphaSignal và ExplainX đọc trang ở dạng text nên không báo cáo các con số chart này, và AlphaSignal nghi ngờ claim gắn điểm cho Astra vì tài liệu họ trích dẫn ở dạng text không nêu tên Astra.

Bảng điểm mức xhigh của năm model theo ngày phát hành ghi trên chart

Mỗi task trong 169 task là task agentic, model duyệt web, vận hành máy tính và gọi connectors, mỗi attempt được chấm bằng rubric riêng theo scenario, và bảng điểm ở mức xhigh do Apidog và CellCog đọc từ biểu đồ tương tác, như sau:

So sánh charted cost, latency và tokens cho điểm so sánh chính

Cột API cost trong chart không có đơn vị được ghi rõ, nên bài này chỉ dùng cost để so tỉ lệ, tuyệt đối không ghi thành đô la, và các cặp số dưới đây cũng lấy từ biểu đồ tương tác đó. Ở mức max, GPT-5.6 đạt 82,6% với latency 22,2 giây và 29,7K tokens, trong khi GPT-6 Astra đạt 82,5% với latency 20,6 giây và 26,3K tokens, tức Astra ở mức max nhanh hơn và tốn ít tokens hơn một chút nhưng chi phí charted gấp khoảng hai lần GPT-5.6 ở mức max. Ở mức xhigh, GPT-5.6 đạt 80,0% với latency 17,5 giây và 20,7K tokens, còn GPT-6 Astra ở mức high đạt 80,7% với latency 13,6 giây và 12,4K tokens. Một cặp số khác chỉ có một nguồn là Apidog ghi nhận: ở mức xhigh, khi chuyển từ GPT-5.2 sang GPT-5.4, latency trung bình giảm từ 121,0 giây xuống 16,7 giây và tokens tạo ra giảm từ 202,0K xuống 30,6K cho mỗi task.

Từ GPT-5.4 trở đi ba lần phát hành chỉ cộng thêm 7,6 điểm và Astra chỉ hơn GPT-5.6 đúng 0,6 điểm ở mức xhigh

Đường cong phẳng lại này mới là câu trả lời cho chuyện có nên nâng cấp model vì LifeVal hay không.

Cú nhảy 23,7 điểm từ GPT-5.2 lên GPT-5.4

GPT-5.2 ở mức xhigh đạt 49,3% rồi GPT-5.4 đạt 73,0%, tức tăng 23,7 điểm trong một lần phát hành.

Ba lần phát hành sau GPT-5.4 chỉ cộng thêm 7,6 điểm

Từ GPT-5.4 đạt 73,0% lên GPT-6 Astra đạt 80,6%, qua ba lần phát hành gồm GPT-5.5 đạt 77,4% và GPT-5.6 đạt 80,0%, tổng cộng chỉ tăng 7,6 điểm, và GPT-6 Astra chỉ hơn GPT-5.6 đúng 0,6 điểm ở mức xhigh. CellCog đặt một câu hỏi mở mà OpenAI không trả lời, đó là đường cong phẳng gần 80% này là trần của model hay trần của task.

Ở mức max, GPT-5.6 còn nhỉnh hơn Astra 0,1 điểm

Ở mức max, GPT-5.6 đạt 82,6% và GPT-6 Astra đạt 82,5%, chênh lệch 0,1 điểm theo hướng GPT-5.6 nhỉnh hơn, nên nếu chỉ nhìn bảng LifeVal thì lý do nâng cấp từ GPT-5.6 lên Astra rất mỏng.

Ở mức high GPT-6 Astra đã đạt 80,7% nên thử medium hoặc high trên việc thật trước khi trả tiền cho max

Ở mức high đã gần bằng mức xhigh, nên bài này khuyên thử medium rồi high trước khi trả tiền cho max.

Bảng effort của GPT-6 Astra và các model trước

Bảng effort dưới đây cũng lấy từ biểu đồ tương tác, với các mức low, medium, high, xhigh và max, và cột cost ở đây cũng chỉ dùng để so tỉ lệ, như sau:

Ví dụ GPT-5.2 nhảy từ low lên medium tăng 14,2 điểm trong khi từ high lên xhigh chỉ tăng 1,8 điểm, cho thấy điểm tăng chậm dần khi effort tăng, và mức low của Astra 66,6% đã cao hơn mức low của mọi model trước, nhưng vẫn thấp hơn medium của chính nó 11,0 điểm.

Vì sao mức trên high gần như không mua thêm điểm

Với GPT-6 Astra, mức high đạt 80,7% nhỉnh hơn xhigh 80,6%, tức tăng effort qua high gần như không mua thêm điểm, và ở mức max cũng chỉ lên 82,5%, tức tăng 1,8 điểm so với high, trong khi chi phí charted tăng hơn gấp đôi từ mức xhigh sang max theo Apidog, nên nếu anh em đã hài lòng ở mức high thì mức max chưa chắc đáng tiền.

Quy tắc thử medium rồi high trước khi trả tiền cho max

Làm theo ngay: chạy việc thật ở mức medium trước, rồi thử lại ở mức high, giữ bước duyệt cuối trước việc không thể đảo ngược như thanh toán, gửi hồ sơ hay mua nhà, và chỉ trả tiền cho max khi việc thật ở mức high vẫn lỗi rõ ràng, còn không thì dừng ở high.

LifeVal chưa thể chạy lại từ bên ngoài vì không có task tải về, rubric công khai hay leaderboard

Không chạy lại được thì con số chỉ dừng ở mức tự chấm, và đây là giới hạn lớn nhất của LifeVal lúc này.

OpenAI tự ra đề, tự chấm và chỉ chấm model OpenAI

LifeVal không có bộ task tải về, không có rubric hay grader công bố và không có public leaderboard, và chỉ chấm model OpenAI, nên không ai ở ngoài chạy lại được để kiểm chứng, cũng không so được với Claude, Gemini hay model mở, nên LifeVal không trả lời câu hỏi so sánh liên hãng. CellCog lưu ý rằng vì OpenAI đã dùng LifeVal để theo dõi cải thiện model trong năm qua, benchmark này vừa là thước đo vừa là mục tiêu huấn luyện, và điều đó làm tăng rủi ro tự chấm thiên vị.

GPT-6.1 Sol và GPT-6.1 Terra không xuất hiện trong chart

GPT-6.1 Sol và GPT-6.1 Terra không xuất hiện trong cả hai chart dù cả hai đã phát hành, và trục thời gian dừng ở ngày 3 tháng 9 năm 2026, nên bảng điểm hiện tại chưa phản ánh model mới nhất của OpenAI, và anh em đừng đọc 80,6% như điểm mới nhất tuyệt đối.

Average reward không phải tỉ lệ việc thật hoàn thành đúng

Average reward chưa phải tỉ lệ task hoàn thành đúng ngoài đời thật, vì task đời thường có yêu cầu rộng và mức độ hoàn thành khác nhau, và 80,6% là điểm trung bình có trọng số bằng nhau trên task, không phải xác suất một việc cụ thể của anh em sẽ xong đúng ý, nên dùng bảng này để chọn model, còn việc thật vẫn cần thử.

Best recorded 100% là trần lần chạy tốt nhất

Các task best recorded đạt 100% của GPT-6 Astra là lần chạy tốt nhất, chưa phải trung bình, với danh sách gồm đặt lớp sensory cho trẻ nhỏ, đặt lịch khám, đặt hàng tạp hóa, lên kế hoạch du lịch, đặt lịch cắt tóc, tìm nhà và đặt lịch hẹn, nên 100% ở đây là trần lần chạy tốt nhất, không phải mức anh em sẽ gặp hằng ngày.

Chưa có thread cộng đồng độc lập trích dẫn được

Tính đến thời điểm nghiên cứu ngày 3 tháng 11 năm 2026, việc tìm kiếm theo tên LifeVal trên Hacker News và Reddit chưa cho bài phân tích độc lập nào trích dẫn được, nên bài này dùng phê bình của giới phân tích thay cho phản hồi cộng đồng, và phần này sẽ cần cập nhật khi có thread mới. Trong khi đó, một bài phân tích độc lập khác đã chỉ ra rằng LifeVal không chấm Claude Opus 5.5, một model mà LifeVal không chấm.

Đừng so 80,6% của LifeVal với 36,3% của GDPx

LifeVal là benchmark nội bộ của OpenAI về việc đời thường, chỉ chấm model OpenAI, trong khi GDPx là benchmark độc lập đo đóng góp kinh tế, và GDPx chấm GPT-6.1 Sol đạt 36,3% theo ngày 2 tháng 11 năm 2026, nên hai con số 80,6% và 36,3% không so được với nhau, và anh em đừng dùng GDPx để suy ra LifeVal hay ngược lại.

Hôm nay thử medium rồi high trên chính việc thật của mình và giữ bước duyệt cuối trước việc không thể đảo ngược

Ba điểm chính cần nhớ: LifeVal là hướng đi đúng, bảng điểm hiện tại vẫn là bảng điểm tự chấm chưa chạy lại được từ bên ngoài, và đường cong phẳng lại sau GPT-5.4 cho thấy nâng cấp vì LifeVal đã mỏng, với Astra chỉ hơn GPT-5.6 đúng 0,6 điểm ở mức xhigh. Làm theo ngay: chọn một việc thật như tìm trường, đặt lịch hay đặt thực phẩm, chạy ở mức medium rồi high, giữ bước duyệt cuối trước việc không thể đảo ngược, và chỉ trả tiền cho max khi việc thật ở high vẫn lỗi rõ ràng.

Một câu hỏi mở cho độc giả Việt Nam: LifeVal có task nào gần với đời sống Việt Nam hay không, vì task trong LifeVal lấy từ dữ liệu thời gian Mỹ và quốc tế, và câu trả lời sẽ quyết định LifeVal có đo đúng việc đời thường của anh em hay không.

Nguồn tham khảo

• Trang LifeVal của OpenAI: https://openai.com/index/lifeval/
• Apidog: https://apidog.com/blog/openai-lifeval/
• CellCog: https://cellcog.com/p/openai-lifeval/
• Paktechstan: https://paktechstan.com/article/openai-s-new-lifeval-test-grades-ai-on-everyday-life-and-its-own-model-tops-the-chart
• AI Weekly: https://aiweekly.co/p/openai-lifeval
• ExplainX: https://explainx.ai/blog/openai-lifeval-everyday-tasks-benchmark-gpt-6-astra-childcare-government-paperwork-2026
• AlphaSignal: https://www.alphasignal.ai/p/openai-lifeval