OpenAI Rilis LifeVal, GPT-6 Astra Cetak 80,6% pada Tugas Sehari-hari tapi Dinilai Internal

Mengurus pendaftaran TK, menyusun menu untuk orang tua yang baru terdiagnosis diabetes, atau menggerakkan relawan menjelang banjir: OpenAI kini punya ujian khusus untuk urusan hidup yang tak pernah muncul di soal matematika.

OpenAI memublikasikan LifeVal, benchmark untuk mengukur kemampuan model AI menangani tugas sehari-hari, pada Senin (2/11/2026). Dalam halaman resmi LifeVal, GPT-6 Astra memperoleh skor rata-rata reward 80,6 persen, naik dari 49,3 persen yang dicatat GPT-5.2. Angka tersebut dirangkum AI Weekly pada Selasa (3/11/2026).

Tujuh Bidang Kehidupan Jadi Bahan Ujian

Soal-soal LifeVal tidak disusun dari bayangan peneliti tentang apa yang berguna. OpenAI memulai dari dua kumpulan data penggunaan waktu, yaitu American Time Use Survey milik Biro Statistik Tenaga Kerja Amerika Serikat dan Multinational Time Use Study. Perusahaan lalu menambahkan survei baru terhadap 3.995 responden yang dirancang mewakili demografi, menurut NewsBytes.

AI Weekly menambahkan, sekitar 100 peserta juga mencatat tugas yang ingin mereka serahkan kepada asisten AI. Dari bahan itu terbentuk tujuh kategori: perawatan keluarga, kesehatan, pendidikan, administrasi rumah tangga, keuangan pribadi, belanja, dan layanan pemerintahan. Contoh tugasnya antara lain mencari penitipan anak, menyusun anggaran, memodifikasi resep, memesan belanja bahan makanan, dan merencanakan latihan olahraga.

OpenAI menyebut sudah memakai LifeVal sekitar satu tahun untuk memantau dan memperbaiki modelnya sendiri.

Dari 49,3 Persen ke 80,6 Persen dalam Lima Model

Skor yang dipublikasikan mencakup lima model OpenAI. GPT-5.2 mencatat 49,3 persen, GPT-5.4 naik ke 73,0 persen, GPT-5.5 ke 77,4 persen, GPT-5.6 ke 80,0 persen, dan GPT-6 Astra ke 80,6 persen.

Selisih terbesar terjadi di awal. Dari GPT-5.2 ke GPT-5.4, skor bertambah 23,7 poin. Setelah itu kenaikannya mengecil: 4,4 poin ke GPT-5.5, 2,6 poin ke GPT-5.6, dan hanya 0,6 poin dari GPT-5.6 ke Astra. Secara keseluruhan, Astra unggul 31,3 poin atas GPT-5.2.

Banjir dan Nonton Bareng Nenek Jadi Skor Tertinggi

Astra paling tinggi pada beberapa tugas yang dicontohkan. Mengelola relawan menjelang banjir mendapat 98,0 persen, menonton pertandingan bersama nenek dari jarak jauh 96,3 persen, mendaftarkan anak ke TK yang tepat setelah pindah rumah 93,1 persen, dan menyiapkan makanan untuk orang tua yang baru didiagnosis diabetes 90,4 persen.

Sumber yang dirujuk tidak merinci tugas dengan skor terendah, sehingga belum terlihat di mana model masih kesulitan. Jumlah total tugas dalam LifeVal juga tidak disebutkan.

Soal Tidak Dibuka dan Tak Ada Papan Peringkat

Menurut AI Weekly, kumpulan tugas LifeVal tidak dipublikasikan dan benchmark ini tidak memiliki papan peringkat. Penilaian dilakukan oleh penilai internal OpenAI, dan model dari pihak ketiga tidak bisa diuji memakai LifeVal. Editor AI Weekly menilai pihak yang memegang ujian sekaligus penilainya perlu disikapi hati-hati, terutama untuk klaim bahwa agen personal kini sanggup mengurus kehidupan nyata. Itu penilaian editor media tersebut, bukan temuan OpenAI.

Konsekuensinya praktis: skor 80,6 persen tidak bisa dibandingkan langsung dengan model pesaing, dan pembaca tidak bisa memeriksa soal yang dipakai. Angka-angka itu lebih tepat dibaca sebagai peta kemajuan internal dari satu laboratorium.

Astra sendiri baru diperkenalkan pada awal September, ketika Presiden OpenAI Greg Brockman menyatakan era AGI telah dimulai, seperti dilaporkan CompileDaily sebelumnya. LifeVal kini menjadi alat OpenAI untuk menunjukkan seberapa jauh model itu bergerak di luar soal ujian akademis.

Pertanyaan yang tersisa: apakah OpenAI akan membuka sebagian soal atau mengizinkan penilai independen menjalankannya. Sampai ada keterangan itu, LifeVal menjawab seberapa baik Astra mengurus hidup sehari-hari menurut ukuran yang hanya OpenAI yang bisa lihat.