¿Qué es OpenAI LifeVal? El benchmark de tareas cotidianas

OpenAI LifeVal es un benchmark de 169 tareas de la vida cotidiana, como matricular a un hijo en la escuela, gestionar el presupuesto de un hogar o tratar con una oficina gubernamental, que un agente de IA completa con uso del navegador, uso del ordenador y conectores. Una rúbrica puntúa cada intento, y la puntuación es la recompensa media de 0 a 1. GPT-6 Astra obtiene un 80,6% con esfuerzo xhigh.

Prueba Apidog hoy

Esa es la versión corta. A continuación encontrarás cómo OpenAI construyó LifeVal, todas las puntuaciones de modelos que publicó (incluidos los números por nivel de esfuerzo que solo existen dentro del gráfico interactivo de la página), qué dicen esos números sobre el esfuerzo de razonamiento y qué deja fuera el benchmark.

¿Qué es OpenAI LifeVal?

LifeVal es un benchmark de OpenAI Research que mide qué tan bien termina un modelo las tareas de la vida cotidiana en lugar de tareas de programación o preguntas de examen. Sus 169 tareas son agénticas: el modelo navega, opera un ordenador y llama a conectores, y una rúbrica específica para cada escenario puntúa el resultado.

OpenAI nombra siete áreas de tareas:

• Cuidado de personas
• Salud
• Educación
• Administración del hogar
• Finanzas personales
• Compras
• Acceso a servicios gubernamentales

La métrica principal es la recompensa media. Cada punto promedia los intentos dentro de una tarea y luego promedia las 169 medias de tarea con el mismo peso. Una puntuación del 80,6% significa una recompensa de 0,806. Las notas del gráfico dicen «No WTP weighting», algo a lo que volveremos.

Cómo construyó OpenAI el conjunto de tareas de LifeVal

OpenAI no inventó la lista de tareas desde cero. Partió de cómo pasan realmente el tiempo las personas, usando dos conjuntos de datos públicos y una encuesta propia:

1. La American Time Use Survey del Bureau of Labor Statistics de EE. UU., que registra lo que hacen los estadounidenses hora a hora.
2. El Multinational Time Use Study, que armoniza los diarios de uso del tiempo entre países.
3. Su propia encuesta a 3.995 encuestados demográficamente representativos, preguntando dónde querrían ayuda de la IA.

Los datos de uso del tiempo le dicen a OpenAI qué actividades llenan los días de las personas. La encuesta le dice cuáles de esas actividades la gente delegaría a un agente. La intersección se convirtió en los 169 escenarios.

La página muestra cinco tarjetas de tareas de ejemplo, cada una con una puntuación. Son ejemplos elegidos por OpenAI, no una muestra aleatoria:

Puntuaciones de LifeVal: todos los modelos de OpenAI

El primer gráfico de OpenAI sitúa cada modelo con esfuerzo de razonamiento xhigh frente a su fecha de lanzamiento. GPT-6 Astra usa «el ajuste xhigh del blog de lanzamiento».

La curva es pronunciada y luego plana. De GPT-5.2 a GPT-5.4 sumó 23,7 puntos en tres meses. Los tres lanzamientos siguientes sumaron 7,6 puntos entre todos, y GPT-6 Astra superó a GPT-5.6 por 0,6.

El salto de GPT-5.4 no fue solo cuestión de calidad. Con xhigh, la latencia media cayó de 121,0 segundos a 16,7 segundos y los tokens generados de 202,0K a 30,6K por tarea. El modelo más nuevo llegó a una respuesta mucho mejor con aproximadamente una séptima parte de la salida.

GPT-6.1 Sol y GPT-6.1 Terra no aparecen en ninguno de los dos gráficos, aunque ambos ya se han lanzado. La cronología termina el 3 de septiembre de 2026. Si estás eligiendo entre GPT-6.1 Sol y Astra para un producto de agentes, LifeVal aún no puede ayudarte.

LifeVal por esfuerzo de razonamiento

El segundo gráfico es el más útil, y solo lo ves al pasar el cursor. Desglosa cada modelo por esfuerzo de razonamiento, con cuatro números por punto: recompensa, latencia, tokens generados y coste de API. Aquí está la recompensa de cada ajuste:

Una nota sobre la columna de coste. OpenAI la etiqueta como coste de API pero no indica la unidad, así que trata las cifras de abajo como «coste de API por tarea tal como se representa en el gráfico», útil para proporciones, no como dólares.

GPT-5.6 en max iguala a GPT-6 Astra en max

GPT-5.6 en max supera a Astra en max por 0,1 puntos con aproximadamente la mitad del coste representado en el gráfico. Con el mismo esfuerzo, la ventaja de Astra sobre GPT-5.6 es inferior a tres puntos en todos los ajustes, 0,6 en xhigh, y desaparece en max. Astra es un poco más rápida y usa menos tokens, pero en estas tareas pagas aproximadamente el doble por ella. Nuestro desglose de precios de GPT-5.6 y nuestra guía de la API de GPT-6 Astra tienen las tarifas por token si quieres contrastar esa proporción con tu propio tráfico.

Más razonamiento por encima de «high» no aporta casi nada

En GPT-6 Astra, high obtiene 80,7% y xhigh obtiene 80,6%. El esfuerzo extra cuesta 1,4 segundos más y 2,1K tokens más a cambio de una puntuación ligeramente inferior. GPT-5.4 muestra la misma forma: un punto de high a xhigh.

Las grandes ganancias están en la parte baja de la curva. Pasar GPT-5.5 de low a medium añade 14,2 puntos. Pasarlo de high a xhigh añade 1,8. Si tu agente ejecuta tareas cotidianas como estas, medium o high es el ajuste que deberías probar primero. La guía de razonamiento de OpenAI explica cómo funciona el parámetro de esfuerzo en la Responses API.

Qué deja fuera LifeVal

LifeVal es una señal útil, pero es una señal autodeclarada. Antes de citarla, conoce sus límites.

• No es público. No hay un conjunto de tareas descargable ni una tabla de clasificación pública, y OpenAI no ha publicado las rúbricas ni cómo calibra a sus evaluadores. No puedes volver a ejecutarlo.
• Solo puntúa modelos de OpenAI. No aparece Claude, Gemini ni ningún modelo de pesos abiertos, así que no dice nada sobre cómo se compara GPT-6.1 Sol con Claude Sonnet 5.5 ni sobre cualquier otro enfrentamiento entre proveedores.
• Existe en algún lugar una versión ponderada. El gráfico dice «No WTP weighting», donde WTP significa disposición a pagar. Eso implica que OpenAI calculó o consideró una variante ponderada por lo que la gente pagaría por cada tarea, y no la publicó.
• Las tarjetas de ejemplo están seleccionadas a mano. Las cinco tarjetas de la página puntúan entre 90,4% y 100%. La media de las 169 tareas del mejor modelo es 80,6%. Los ejemplos muestran los mejores días del benchmark, no el típico.

Nada de esto hace que LifeVal esté mal. Lo convierte en un benchmark de proveedor. Léelo como leerías cualquier gráfico de lanzamiento: como una afirmación que puedes poner a prueba con tus propias tareas.

Ejecuta tu propia prueba de esfuerzo de razonamiento con Apidog CLI

La tabla por esfuerzo de LifeVal es una curva de recompensa frente a coste. Puedes trazar la misma curva para tu propio prompt. En lugar de lanzar peticiones a mano, delega el trabajo a tu agente de programación y deja que maneje Apidog CLI.

Instala la CLI, inicia sesión y añade la skill de Apidog a tu agente:

npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Después dale a Claude Code, Codex o Cursor un único [REDACTED PROMPT]
In Apidog project , add a POST https://api.openai.com/v1/responses
endpoint that sends {{model}}, reasoning.effort = {{effort}} and my test prompt.
Create a test case that asserts status 200 and saves latency,
usage.output_tokens and usage.output_tokens_details.reasoning_tokens.
Add a test data set with effort = low, medium, high, xhigh, run the case
once per row against environment , and give me a table of
latency, tokens and estimated cost per effort.

El agente lee el esquema de cada payload, valida su JSON y luego escribe:

bash
apidog cli-schema get endpoint-create
apidog cli-schema validate endpoint-create --file endpoint.json
apidog endpoint create --project --file endpoint.json

apidog test-case category --project
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project --file case.json

apidog cli-schema validate test-data-create --file efforts.json
apidog test-data create --project --file efforts.json

apidog run --test-case --project -e \
-d -r cli,json --out-dir ./effort-runs

El flag `-d` alimenta una iteración por fila de datos, y `-r cli,json` le da al agente un informe JSON a partir del cual construir la tabla. Añade `--upload-report` si quieres consultar las ejecuciones en la app de Apidog después. La [referencia del comando apidog run](https://apidog.com/es/blog/apidog-run-command-reference?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) enumera todos los flags, y la [guía de configuración de Claude Code](https://apidog.com/es/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) cubre el lado del agente.

Ejecútalo con cinco o diez de tus prompts reales, no con uno solo. LifeVal promedia 169 tareas por una razón: un solo prompt te dirá más sobre la varianza que sobre el esfuerzo.

## ¿Deberías confiar en LifeVal al elegir un modelo?

Úsalo para orientarte, no para decidir. LifeVal te dice tres cosas sobre las que puedes actuar: los modelos de OpenAI mejoraron mucho en tareas cotidianas de varios pasos entre diciembre de 2025 y marzo de 2026, las ganancias desde entonces son pequeñas, y el esfuerzo de razonamiento por encima de high rara vez compensa en este tipo de trabajo.

Lo que no puede decirte es cómo puntuaría un modelo que no sea de OpenAI, cómo se comparan tus tareas con las 169 de OpenAI, o qué recompensa el evaluador. Para eso, ejecuta tu propio barrido de esfuerzo, como se indica arriba, y compara los números que puedes ver. Nuestra [prueba práctica de GPT-6 Astra](https://apidog.com/es/blog/gpt-6-astra-hands-on?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) es un punto de partida para el tipo de comprobaciones que merece la pena ejecutar.

## Preguntas frecuentes

### ¿Qué significa LifeVal?

OpenAI no desarrolla el nombre en la página. Es una evaluación («Val») de tareas de la vida cotidiana («Life»): 169 escenarios agénticos que abarcan cuidado de personas, salud, educación, administración del hogar, finanzas personales, compras y servicios gubernamentales.

### ¿Cuál es la puntuación de GPT-6 Astra en LifeVal?

80,6% de recompensa media con esfuerzo xhigh, el ajuste que OpenAI usó en el blog de lanzamiento de Astra. Con esfuerzo max, Astra obtiene 82,5%, y con high obtiene 80,7%.

### ¿Puedo ejecutar LifeVal yo mismo?

No. OpenAI no ha publicado el conjunto de tareas, las rúbricas ni el evaluador. Puedes aproximar su análisis de esfuerzo frente a coste con tus propios prompts usando un arnés de pruebas como Apidog CLI, pero no puedes reproducir las puntuaciones de LifeVal.

### ¿LifeVal incluye a Claude o Gemini?

No. Ambos gráficos solo incluyen modelos de OpenAI, desde GPT-5.2 hasta GPT-6 Astra. GPT-6.1 Sol y GPT-6.1 Terra también faltan.

### ¿La columna de coste de LifeVal está en dólares?

OpenAI la etiqueta como coste de API pero no indica la unidad. Úsala para comparar ajustes entre sí, por ejemplo GPT-5.6 max con 9,65 frente a Astra max con 20,04, en lugar de como una cifra en dólares por tarea.

### ¿Qué esfuerzo de razonamiento debería usar para tareas cotidianas de agentes?

En LifeVal, medium o high capturan la mayor parte de la ganancia. GPT-6 Astra obtiene 80,7% con high y 80,6% con xhigh, así que prueba medium y high con tus propias tareas antes de pagar por más.