169 道生活题，和一年 20 万美元账单：智能体的能力与成本

作者：周砚

OpenAI 用 LifeVal 的 169 道日常任务给自家模型打分，GPT-6 Astra 在最高推理档拿下 80.6%；同一周，YC 掌门人 Garry Tan 在播客里说自己一年花 10 万到 20 万美元买 token。把考卷和账单放在一起看：分数在 80 分附近放缓，高推理档位几乎不涨分，而重度用户真正买到的，更像是时间和并行处理能力，而不是准确率。

两条消息几乎落在同一周。OpenAI 发布 LifeVal，用 169 道日常任务给自家模型打分；Y Combinator 掌门人 Garry Tan 在 Walter Isaacson 的播客 The Builders 里说，他一年在 token 上大概花 10 万到 20 万美元 。一张是厂商出的考卷，一张是重度用户自己付的账单，放在一起才能看清智能体现在的位置：它能做对多少，以及做对这些要多少钱。

考卷：169 道题，量的是“把事办完”

题不是凭空想的。OpenAI 先看两份时间使用调查，美国劳工统计局的 ATUS 和跨国的 MTUS，弄清人们一天的时间花在哪；再做一次 3,995 人的代表性调查，问他们最想把哪些事交给 AI 助理。两边的交集成了题库 。169 道题落在七类：照护、健康、教育、家务行政、个人财务、购物、政府服务 。

关键是题的形式。每道题给模型一段请求、一份个人背景、一个模拟环境和初始状态，模型要真的动手：浏览离线版网页、填表、处理文件、做模拟交易 。官方举的例子包括搬家后给孩子挑幼儿园、洪水来临前组织志愿队、在 Luzerne 县找一套带独立单元的房子并把产权文件加进购物车 。这些属于办事，不属于问答。

计分：169 个平均数，再平均一次

主指标是平均奖励。算法是先在每道题的多次尝试里取平均，再把 169 个题均分等权平均，满分 1，所以 80.6% 就是 0.806 。图注标着“No WTP weighting”，意思是按付费意愿加权的版本没用在主分数上，而这样一个版本至少被算过或考虑过，只是没公开 。

打分靠细则，而评分器本身是模型。论文说 LifeVal 用了两个由 GPT-5.6 驱动的自动评分器：一个按细则打分，一个检测模型有没有钻测试环境的空子，被判定作弊记 0 分；汇总结果的主评分器是 GPT-5.6 Sol，xhigh 档 。校准也做了一次：在 30 题子集上，17 名训练员给同一次 GPT-5.5 表现打分，人类均分 83.61%，GPT-5.6 给 84.20%，相关系数 0.864 。

分数：最陡的一段已经过去

xhigh 档下，GPT-5.2 在 2025 年 12 月是 49.3%，三个月后的 GPT-5.4 到 73.0%，一次加了 23.7 个点；之后 GPT-5.5 是 77.4%、GPT-5.6 是 80.0%、GPT-6 Astra 是 80.6%，三代合计只加 7.6 个点 。

更有信息量的是按推理档位拆开的那张图。Astra 在 high 档是 80.7%，调到 xhigh 是 80.6%——多想一档，多花 1.4 秒和 2.1K token，分数还低 0.1 。推到 max 才到 82.5%，而 GPT-5.6 在 max 是 82.6%，图表上的成本 9.65 对 20.04，大约两倍（这列成本没标单位，只能当比值看）。换句话说，这类日常任务上，high 往上加钱几乎买不到东西；Astra 相对上一代在同档位只领先不到 3 个点，xhigh 差 0.6，max 追平 。

账单：钱买的是覆盖范围，不是分数

Tan 的原话是“我一年大概花 10 万到 20 万美元买 token” 。这笔钱换来的不是榜单上的百分点，是覆盖范围：智能体读了他全部邮件、Dropbox、Apple Notes，包括 20 年的心理治疗笔记；他用它调研播客嘉宾、写代码、跑各种项目 。他还开源了 23 个 Claude Code 技能（gstack），YC 内部另有一个叫 Stray Light 的智能体，装着历年所有创始人和申请材料 。

他自己给这笔支出划了边界：“现在太贵了”，并说这是“不是人人都有的特权” 。要提醒的是，TechCrunch 没有说明 10 万到 20 万美元是个人口径，还是含 YC 的公司开销 。

怎么读这两组数字

第一，能力曲线在放缓，瓶颈不在“想得更久”。厂商自己的图表显示，把推理档位从 high 加到 max，这 169 道题的分数只多两个点左右，成本翻倍 。对使用者来说，把任务拆清楚、把档位调到 high，比买更高档位划算。这条结论与“卖更高推理档位”的商业叙事相冲突，反而更值得信一分。

第二，重度用户付的钱，买的是时间和并行处理能力，不是准确率。一年 10 万到 20 万美元，只有当你本人的时间比这更贵时才成立；Tan 自己也说普通人复制不了这套开销 。对多数企业，更现实的问题不是“要不要用最强模型”，而是“哪几类任务值得交给智能体”。

第三，80 分附近，价格成了主要变量。每 0.1 分的边际成本在往上走，这既是能力上限，也是定价的难点：厂商想按能力分档收费，但考卷显示高档位的增量已经很小。

证据局限

LifeVal 是厂商自出自评。任务集、评分细则、评分器怎么校准都没有公开，第三方无法复现；榜单上只有 OpenAI 自家模型，连已发布的 GPT-6.1 Sol 和 Terra 都不在图里 。评分器和被评模型同源，0.864 的相关系数只能说明机器评分与人类评分员接近，不能证明细则本身没有偏向 。官方页那五张 90.4% 到 100% 的示例卡是挑出来的，公告只把它们归因于“当前模型”，没写型号、档位和置信区间 。

论文自己也承认几处硬伤：时间使用数据止于 2021 年；付费意愿调查只在美国用英语做；网页缓存不冻结，浏览题的分数会波动；最常见的失败是信息和建议出错，以及漏掉个人对话里的关键细节 。还有一个口径没对上——公告说调查了 3,995 人，论文写 3,837 人完成、1,826 人通过注意力检查，两者关系没有解释 。

所以结论可以克制一点：智能体把日常任务做对八成，这个量级已经不是演示；但剩下那两成，以及支撑这两成的账单，才是产品化的门槛。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

• [S1] What Is OpenAI LifeVal? The Everyday-Task Benchmark
• [S2] Y Combinator’s Garry Tan uses AI agents so much, he spends up to $200K a year on tokens
• [S3] Y Combinator’s Garry Tan uses AI agents so much, he spends up to $200K a year on tokens
• [S4] OpenAI introduces LifeVal benchmark for everyday AI tasks
• [S5] LifeVal
• 配图 1：来源：apidog.com（图片署名见原文） · 图片出处
• 配图 2：来源：TechCrunch（图片署名见原文） · 图片出处
• 配图 3：来源：Data Phoenix（图片署名见原文） · 图片出处
• 配图 4：来源：Data Phoenix（图片署名见原文） · 图片出处