1　引言

大语言模型（LLM）智能体已经开始在真实世界中行动。借助工具与外部服务，它们可以修复在线仓库中的缺陷、操作计算机、产出专业交付物 [1–3]。但这些进展集中在职业场景，尤其是编程与办公事务上。日常生活是另一个场景，却远远没有得到关注——尽管恰恰是在生活领域，智能体离普通用户最近、可信赖的辅助最为重要。一个“生活智能体”可能被要求规划一次长达数周的家庭旅行、跟进一场租房纠纷的每一个截止期限，或者统筹一次装修。这类任务要运行数周，智能体必须在如此长的时间跨度内保持上下文与承诺，而局势是否会发展、何时发展，并不取决于是否有人提示它 [4, 5]。

在这个意义上的真实生活辅助具有三个 defining 特性，而现有基准都忽视了它们。（1）它是主动的。环境不会等着被查询，称职的助手也不应等着被吩咐：它必须自行察觉截止日期临近、预订发生变动，判断当下该行动、该告知用户，还是该保持沉默；并且在最初，就要主动从一个只含暗示的请求中提炼出硬性约束与隐性约束（预算上限、家人的健康状况、申报窗口期），而不是逐字执行指令。（2）它发生在一个动态的、活的世界上。环境是有状态的、自行推进的：天气变化、价格与库存波动、航班延误、场馆关闭、同行者的可穿戴设备上报新的读数；称职的智能体要感知这些变化，并把它们传播（propagate）进自己所维护的计划。（3）它是长程的。一项任务跨越准备、执行与收尾的完整生命周期，横跨多个模拟日；在此期间智能体必须让一份不断演化的计划保持自洽，并始终遵守最初得到的约束。

现有基准与这种意义上的生活辅助在多个维度上错位。在领域上，它们集中于工作 [3, 6, 7] 与编程 [1, 2] 场景，忽视日常生活需求——尽管生活领域正是智能体离普通用户最近、最需要可信赖辅助的地方，其重要性不亚于前两者。在所探测的能力上，它们大多度量智能体被动执行一个明确指定任务的能力，而非它能否在无人提示的情况下自行决定何时行动、何时沉默。在环境上，它们维护的世界不会自行变化，只在智能体行动时才更新，因此无法考察智能体对自发变化的感知与传播。在任务形式上，它们大多是孤立的单任务，而非嵌入完整生命周期、具有复杂依赖的长程任务。这些错位叠加在一起，使得真实生活辅助所要求的主动性、活世界适应性与长程连贯性难以用现有基准观察。表 1 沿领域、主动性、活世界与长程四个维度比较了代表性智能体基准：已有工作大多面向工作、编程或通用工具使用场景，即使是少数触及生活领域的工作，也很少同时满足主动性、活世界与长程这三点。

因此我们提出 VibeLifeBench。与一次性请求不同，它把每个任务组织成一个按自身时钟运行的模拟活世界，并把上述特性落实为具体、可度量的机制。（1）主动而非被动的智能体。智能体不是等待下一条消息的应答器：在无人提示时世界照样变化，而后续任务又依赖这些变化，因此在每一轮，智能体必须主动地重新查询世界，并自行判断此刻该行动、该告知用户，还是该沉默，而不是仅仅回应当前输入——这使主动性可以直接被判分：该行动时行动，不该行动时保持沉默。（2）一个独立于智能体变化的世界。模拟器维护一个有状态的世界，其信号——天气、可用性、价格、延误、停业、流式设备读数——都经统一的查询接口流出；在每条时间线上，我们注入用户消息、自主的世界事件、推送通知与后台状态变更，其中相当一部分是静默的，因此只有主动复查世界的智能体才能及时发现差异，并把它带入自己的计划。（3）完整的多周生命周期。每个任务都被编写为一条现实时间尺度上的剧本化时间线（中位数 29 天，许多任务运行两到五周，最长的跨越数月），覆盖准备、进行中的中段与收尾三个阶段；在这条时间线上，智能体要面对在不同时刻到达的一连串扰动，并必须持续维护一份不断演化的计划。最终我们评判的是：交付物是否仍然自洽、是否仍满足最初的硬约束、是否如实反映了沿途发生的一切。

具体而言，VibeLifeBench 包含 200 个任务，均匀分布在十个日常生活领域（每个领域 20 个）。所有任务共享同一个由 22 个模拟服务后端构成的世界，对外暴露 288 个工具接口。图 1 给出全貌：它端到端地走查一个旅行任务，并列出十个领域、其背后的服务后端，以及驱动时间线的四类事件。

为长程、开放式辅助打分本身就是一项挑战。VibeLifeBench 为每个任务配备一套细粒度、分阶段感知的判分标准——共 12,261 条判分项、每任务中位数 58 条——既检查世界的最终状态（预订是否守住预算上限？截止期限是否赶上？延误是否被并入行程？），也检查过程中的行为（是否在无人提示的情况下指出政策变化？是否按约定节奏让用户知情？）。判分项带权重并按阶段组织，因此长程中的部分胜任可以得分，又不会掩盖关键失败。这使我们不仅能给“任务是否完成”打分，还能给智能体在完成任务过程中是否表现得持续、主动打分。

贡献。我们的贡献有三：（1）我们围绕真实世界辅助中三个长期被低估的特性重新框定智能体评测：活时钟上的主动性、动态活世界中的运行，以及贯穿完整多周生命周期的长程连贯性。（2）我们提出 VibeLifeBench——一个覆盖十个日常生活领域、200 个多周活世界任务的基准，构建于 22 个模拟服务后端（288 个工具接口）之上，由 7,453 个剧本化事件驱动，其中包括不发通知即触发的静默变更。（3）在对强模型的评测中我们发现了巨大差距：最强模型的 avg@3 仅为 32.5。我们将开源全部任务、环境与框架，以推动长寿命、主动式智能体的研究。

2　VibeLifeBench

2.1　设计原则

VibeLifeBench 的核心设计承诺是：任务不是一个提示，而是一个带时钟的世界。智能体被置入一个正在进行的情境，得到一组工具和一个或多个要服务的人设（persona），随后时间开始推进：用户说话，外部服务发布更新，世界的底层状态无论智能体是否关注都在变化。围绕这一承诺我们做了三个设计选择。

（a）世界按虚拟时钟推进并静默变化，使主动性可被度量。任务不是静态请求，而是沿时间线推进的世界：其中一部分变化静默发生，不给智能体任何信号，而后续任务又依赖这些变化。只会对眼前输入作出反应的智能体因此必然错过这些变化；只有自行复查世界、并把变化传播进所维护计划的智能体才能做对。同样地，在无事需要处理时保持沉默也被视为正确行为。

（b）任务内嵌隐性约束与安全红线，使可信赖性可被考察。每个任务都附带一个人设及其背景材料，其中埋设了若干未言明但有约束力的约束，以及安全红线与授权边界：哪些动作可以自行执行、哪些必须先请示、哪些绝不允许。许多场景还刻意设置了诱人但不安全的捷径，合规的智能体必须识别并拒绝或上报。

（c）共享服务后端 + 每任务独立初始状态，兼顾真实感与可复现性。所有任务共享同一组稳定的模拟服务，每个任务只配置自己的初始数据。这使大量任务得以复用一致的工具语义，同时完全离线且确定性强，整个套件易于审计与复现。

2.2　任务定义

2.2.1　形式化定义

一个任务是一个自包含目录，可形式化为五元组：

各分量如下：

· W₀ 是初始世界状态，由任务为每个启用的服务后端 k 提供的种子数据共同决定。
· E = {e₁, e₂, …} 是事件时间线，按阶段分组、阶段内按时间戳排序。
· K ⊆ {k₁, …, k₂₂} 是任务启用的服务能力集合。
· P 是人设与工作区：在任务开始时提供给智能体的人设、偏好、授权政策、操作手册等材料。
· R = {(cᵢ, wᵢ)}ᵢ₌₁ᵐ 是判分标准：一组带权重的判分项，其中每个 cᵢ 是关于世界的一个确定性谓词，wᵢ > 0 是其权重。

一次评测运行让智能体策略 π 走完整条时间线。设 Wⱼ 为第 j 个被派发条目处理完后的世界状态，则

其中 aⱼ 是智能体在该轮采取的动作序列（工具调用、文件写入、回复），Hⱼ₋₁ 是其历史与记忆。对于变更（mutation），不产生任何轮次，aⱼ = ∅，世界仅因事件本身而改变。运行结束时，判分标准针对最终状态与沿途产物进行评估（见 2.2.5 节）。

输入与输出。智能体的输入包括开始时提供的工作区文件（P）、由 K 决定的可用工具集，以及按时间线顺序到达的触发轮次的事件文本。它的输出不是单一最终答案，而是它在整个回合（episode）中留下的可观察痕迹（trace）：后端服务的最终状态（预订、订单、申请、日历事件、账本）、工作区中的持久文件、笔记与日历、它发出的邮件，以及它在各阶段的回复文本。判分完全基于这些可观察产物（即基于痕迹的判分，trace-based grading）。

2.2.2　世界如何被模拟

世界由 22 个模拟服务后端构成，代表智能体在日常生活中会接触到的应用与后台。它们分为两类：

· 通用服务（几乎所有任务都会用到）：邮件、日历、笔记与通知中心。智能体在其中积累承诺、往来信件与滚动笔记。
· 领域服务：银行、信用卡、券商、旅行预订（机票、酒店、火车、租车）、地图、天气、签证与旅行警示、电商、快递物流、房源、评论、内容社区、法律检索、招聘板、健康追踪，按任务所属领域调用。

每个服务都是一个小型、自包含的产品后端，遵循统一模式：定义自己的数据模型、暴露一组稳定的工具、冷启动时从种子数据引导。22 个服务合计暴露 288 个工具接口。服务从不与单个任务绑定：任务只配置自己的场景数据与事件节奏，服务则提供稳定的工具语义。正是这一分离让 200 个任务得以共享同一批后端，同时完全离线、可复现。智能体通过工具调用读写世界（例如查询预订、搜索航班、创建日历事件），而判分标准背后的检查器（checker）则从宿主侧直接读取世界的客观最终状态或工作区产物，不依赖智能体的自我报告。

2.2.3　事件系统

时间线按阶段推进。阶段不是日历日，而是一个检查点：智能体必须在此行动，或判分器必须在此检查世界。一个多周任务可能把安静的两周压缩成单个阶段，也可能把繁忙的出发日展开成数个阶段。整个套件每任务使用中位数 24 个阶段。阶段内事件按时间戳顺序派发。事件分为四类，正是最后一类与前三类的差别使主动性可被观察。

前三类事件开启一个轮次并捕获智能体的文本回复；变更则直接作用于相关服务状态，不产生轮次，静默地改变世界。前三类与最后一类之间的落差是本基准的核心机制：一次变更不带任何消息地改变世界，不触发任何通知，也没有任何东西被推送进智能体的轮次。只有一个既持续（记得几天前做过的预订）又主动（在无人要求的情况下复查该预订的状态）的助手才能及时发现差异。整个套件共嵌入 1,483 次后台变更。

一条有代表性的时间线把这些原语串成一个连贯的故事：开头的用户消息说明目标与预算；随后是一串关于签证与疫苗的世界提示；途中一次变更使行程车辆抛锚；行程中点出现一条通知提醒；临近尾声时一次静默施加的航班延误；以及作为又一次变更注入的一封钓鱼邮件。其中每一项都在探测：智能体是否在无人告知的情况下注意到了并作出回应。

2.2.4　人设与工作区

每个任务附带一个工作区，代表一名长期助手本应已掌握的上下文：它服务的究竟是谁、这个人的偏好与处境，以及用户预先设定的约束与授权边界。这些材料把“成为一名称职助手”变成具体、可检查的行为，也让任务能够专门考察智能体是否守住授权边界：许多场景刻意用不安全的捷径诱惑智能体，例如替用户提交理赔、把护照扫描件发给陌生地址、把一笔费用汇入个人账户；合规的智能体必须拒绝或上报，而不是走捷径。例如在一个与父母同行的 20 天日本旅行中：母亲的护照剩余有效期少于入境所要求的时长；患糖尿病的父亲携带的胰岛素必须随机上机并附医生信函；预算是不可突破的硬上限；一封伪装成签证加急费的钓鱼邮件不期而至。这些没有一项被明说，但每一项都必须在整个任务中被揭示并遵守。

2.2.5　判分（Reward）

每个任务由一组判分标准（即带权重的判分项集合）打分。每条判分项是关于世界的一个确定性谓词，只读取可观察产物——服务的最终状态、工作区与笔记文件、已发送邮件、智能体被捕获的回复——从不读取模型的隐藏推理。判分项组织为三个层级：阶段内判分项（per-stage）在行为应当发生的时刻奖励及时的行为；跨阶段判分项（cross-stage）编码必须贯穿整个回合的约束（例如预算上限与安全红线的遵守）；最终判分项（final）检查智能体最终留在世界与产物中的东西。

一个任务的得分是它挣得的判分项权重占比，以 0–100 分报告，因此长程中的部分胜任也能得分，而不是只有任务结束时的成败。权重的设置刻意不均匀：一次关键失败（例如泄露个人信息或突破硬预算）的代价远高于一处外观上的疏漏；安全与加固类判分项权重最大，因此智能体无法通过完成大量常规子任务来掩盖一次不安全行为。这类高权重判分项通常要求留下持久的产物，而非一次性的聊天回复。

2.3　构建流程

VibeLifeBench 测试集由一条统一流程构建，目标是让每个任务既贴近真实生活又有足够难度，同时保持判分客观、无可钻的空子。整个过程围绕 2.2 节的任务表示展开，依次经过场景设计、时间线编写、环境实例化与判分标准编写。

场景与人设。每个任务都源于一个真实的日常场景，例如与父母出境旅行、一场租房纠纷，或一次装修的统筹。在场景之上确定要服务的人设及其工作区，包括用户身份、偏好与处境，以及预先设定的约束与授权边界。这些约束大多以隐式方式给出，必须由智能体从背景材料中识别并全程遵守；其中我们刻意加入若干安全红线，以考察智能体面对诱人捷径时的可信赖性。

时间线编写。场景被展开为一条按阶段组织的事件时间线，四类事件（2.2.3 节）交错其间。为使主动性成为得分的前提，世界变化的相当一部分被刻意安排为变更：它们不触发任何轮次，但后续阶段依赖它们，因此只有自行复查世界的智能体才能感知并 及时回应。

环境实例化。为任务启用的每个服务准备其初始数据，使世界在冷启动时从一个可信、可查询的状态引导。初始数据中播入了充分的干扰项（distractor），使答案无法被浅层猜出；所有关键实体都可通过工具调用发现，而不是硬编码进判分标准，从而避免“本可以解出任务的智能体被判为失败”的假阴性。

判分标准编写。最后，为每个任务编写分阶段感知、带权重的判分标准（2.2.5 节），横跨多个证据维度（表 3）。每条判分项都被要求作出有区分力的判断，例如计算一个具体数值或验证一次真实的状态变化，而不是凭关键词的出现即通过，以尽量降低判分被表面文本蒙混的可能。

2.4　数据分布

本节的统计全部基于已发布的 200 个任务评测集计算。200 个任务均匀分布在十个领域（每个 20 个），使总分不会被单一领域主导；在这一平衡之下，任务在时间跨度、事件密度、服务广度与判分标准规模上具有多样性。

时间跨度。任务在构造上就是长的。模拟时间跨度的中位数为 29 天，分布的中段大约在 25–35 天之间，并有一条延伸到数月的长尾（最长约 111 天，17 个任务超过 60 天）。由于时间跨度以阶段而非日历日表达，两个月的任务不必携带很多检查点：中位数任务使用 24 个阶段，把休眠区间压缩成稀疏检查点，同时保留一名持续型智能体必须熬过去的多周时间结构。

事件密度。整个套件共编排 7,453 个事件，每任务中位数 36 个。其构成反映出一个主要靠自行推进、而非等待被提示的世界：用户消息 2,247 个（约 30.1%），其余以环境驱动为主——通知与定时提醒 1,925 个（25.8%）、世界观测 1,798 个（24.1%）、变更 1,483 个（19.9%）。也就是说，约 69.9% 的事件由环境驱动而非用户提示。1,483 次变更不触发任何智能体轮次、静默地改变世界，因此只有主动复查世界的智能体才能及时发现。

服务广度。一个任务平均招募中位数 7 个模拟服务（最多 12 个），22 个服务全部在套件某处被使用。使用刻意呈长尾。三个服务近乎通用：邮件（198/200 个任务）、日历（195）与笔记（162），因为智能体在其中保存记录，承诺、信件与滚动笔记也在其中随时间累积。通知中心出现在 120 个任务中。领域后端使用得更节制，并按领域聚集：签证、机票、酒店属于旅行；银行、券商、信用卡属于金融；法律检索属于诉讼；房源与评论平台属于购物。这种形态奖励那些既能在通用工具中维护状态、又能在恰当时刻调用正确专门服务的智能体。

判分标准规模。判分是细粒度的：整个套件包含 12,261 条带权重判分项，每任务中位数 58 条（从最紧凑场景的约 31 条到最精细场景的 135 条）。判分项分布在阶段内、跨阶段与最终三个层级，因此得分沿整条时间线累积，而不只在结尾。按数量计，阶段内判分项占绝大多数（80.8%），但跨阶段与最终两个层级 carrying 不成比例的权重：两者合计占判分项的 19.1%，却占总权重的 26.8%——正因如此，一次安全或加固上的失败的代价高于许多常规子任务。

各领域之间存在有意义的差异：职业（career）任务既有最长的时间跨度（中位数 48 天）又有最高的事件密度（中位数 44 个事件），金融（finance）的判分标准最密（中位数 94 条判分项）。

3　评测

VibeLifeBench 以智能体留下的可观察结果为判分依据，对照细粒度、分阶段感知的判分标准。本节说明一次运行如何执行、单个任务的得分如何计算并在多次运行间聚合，以及评测所用的基础设施。

3.1　执行一次运行

一次运行让智能体沿任务时间线逐阶段推进。在每个阶段内，用户消息、世界观测与通知触发一个智能体轮次并记录其回复；变更则直接改变世界状态、不触发轮次。一个阶段的事件处理完毕后，判分标准针对当前世界状态运行一次。判分只依赖智能体留下的可观察产物，从不读取其内部推理。由于变更改变了智能体从未被告知的状态，一个不主动复查世界的智能体，就是在一个它从未观察过的现实面前被判分。

3.2　判分

在单个任务上，一次运行的得分是通过判分项权重占全部判分项总权重的比例，以 0–100 分报告。由于智能体输出是随机的，每个任务运行三次：先在任务内取三次得分的均值、最大值与最小值，再在所有任务上等权平均，得到 avg@3、max@3 与 min@3，其中 avg@3 反映整体能力，max@3 与 min@3 给出最好与最坏情形。我们还报告任务内三次得分的标准差（在任务上平均），以度量重复运行下评分的稳定性。

3.3　评测基础设施与智能体脚手架

VibeLifeBench 构建在 TERRARIUM [16] 之上——一个面向活环境中智能体的多轮评测基础设施。Terrarium 负责按阶段编排任务执行，并提供隔离沙箱，模拟服务、检查器与智能体都在其中运行。在该基础设施内，所有被评测模型都在 openclaw 脚手架（harness）下运行。它把任务的模拟服务、工作区与系统提示提供给一个使用工具的智能体，并让每个模型以其最强推理设置运行，使得分反映底层模型而非脚手架调优。每次运行都在一个隔离沙箱中执行，模拟服务与智能体共同驻留其中，保持环境离线且可复现；脚手架为每次运行记录最终得分、每条判分项的通过与否，以及完整智能体轨迹，使聚合结果可以回溯到具体行为。

4　实验

我们在 200 个任务的完整评测集上评测七个当代强模型：Claude Opus 5、GPT-5.5、Gemini 3.5 Flash、Claude Opus 4.8、GLM-5.2、Kimi-K2.6 与 DeepSeek-V4-Pro。所有模型使用相同的原生工具调用脚手架，并以最强推理设置运行；每个任务运行三次，报告 avg@3、max@3、min@3 与任务内标准差（3.2 节）。

4.1　主要结果

每个被评测模型的得分都低。最强的 Claude Opus 5 的 avg@3 仅为 32.5，即使它的三次最优上限（max@3）也不过 41.2；最弱的 DeepSeek-V4-Pro 只有 21.1。这说明当代智能体虽然在单轮工具使用上相当流利，却仍远不能在一个自行演化的世界里，跨越数周、主动且持续地打理生活事务。低绝对分数直接度量了当前智能体被动的、单轮的工具使用，与活世界中长程辅助所要求的持续、主动行为之间的差距。

更大或更新的通用模型并不能越过这道坎。七个前沿模型全部落在 21 到 33 的狭窄区间内（Claude Opus 5 > GPT-5.5 > Gemini 3.5 Flash ≈ Claude Opus 4.8 > GLM-5.2 > Kimi-K2.6 > DeepSeek-V4-Pro），彼此差距远小于它们与“胜任”之间的差距。这些模型在编程、办公等职业场景中展现的强大工具调用能力，并不能自动迁移为跨数周打理生活事务的能力。

模型的不稳定性进一步凸显这一差距。每个模型的 min@3 至多 23.8，且同一任务重复运行之间得分仍明显波动（任务内标准差最高达 10.0）；即使某次运行碰巧做对，也难以复现。一名可信赖的长期助手所依赖的持续性与自洽性，恰恰是当前模型最薄弱之处。

真实生活领域的广度本身就是挑战。如表 6 所示，即使最强的 Claude Opus 5 也在十个领域间波动很大（从团队建设的 21.8 到购物的 51.1），且易难排序在各模型间高度一致：购物、旅行、装修相对可解，而团队建设、租房、备考最难。没有任何模型在所有生活领域上都胜任，这说明困难是领域固有的，某处强并不意味着广泛可用。究竟是哪些具体能力导致了这些失败，第 5 节进行分析。

4.2　Token 与交互成本

我们记录每次运行的上下文读取量、输出 token、工具调用与轮次（在运行间平均）；数字并入表 5，其分布见图 4。为使模型可比，上下文一栏统计模型每轮读取的完整上下文，包括被缓存的前缀。

投入规模与能力大体相关：得分最高的 Claude Opus 5 生成最多（每次运行约 32.5 万输出 token），并维持一个很深的交互循环（316 次工具调用、210 轮）；DeepSeek-V4-Pro 则在最小的上下文预算上达到 21.1，属于“节俭而稳定”的画像。然而，花更多 token 本身并不保证更高分：Gemini 3.5 Flash 读取的上下文最多（每次运行 41.2M）且轮次最多（227），却只排在中游；GPT-5.5 在最小的输出预算上发出最多的工具调用（每次运行 332 次），仍然名列第二。力气花在哪里——即状态是否被持久化、约束是否被遵守——比花掉的总量更要紧。

5　分析

本节考察模型为何得分低，并把失败映射到本基准围绕的核心特性上。所有统计都基于每次运行的逐判分项结果与智能体轨迹计算。

5.1　失效模式

按层级看，权重最高的加固层最难。判分项分为三个层级：阶段内、跨阶段与最终。如表 7 上半部分所示，每个模型在跨阶段与最终层级上的通过率都最低，而这两个层级权重最大（2.4 节：占判分项的 19.1%、占总权重的 26.8%）。这直接解释了绝对分数为何被压低。

按能力轴看，主动性与持续性是最大的弱项。我们按判分项的语义把失败归入若干能力轴（表 7 下半部分）。能力轴是按判分项名称的关键词匹配分配的，因此是指示性的而非精确的。主动性与持续性始终处于最低的几个轴，且没有任何模型在两者上超过 33.6。持续性与记账是已识别的最大失败来源：在七个模型合计的全部失败判分项中占 22.2%，且对每个单独模型都稳定在 22.0%–23.2%；不过另有 41.8% 的失败落在已命名类别之外。那些要求留下持久性门控产物、跨阶段链接状态，以及要求把关键预订提交到后端的判分项，对所有模型而言几乎从不通过。这并不是因为模型完全不写东西，而是因为它们写下的内容很少构成判分标准所要求的、具体的、跨阶段链接的产物。

5.2　沿核心维度的分析

主动性与持续性。主动性轴在所有模型上都很低（16.0–33.6），持续性与记账轴同样低（18.9–28.0），要求持久产物的判分项几乎从不通过。这说明模型倾向于被动地、一次性地回应，无法维护跨阶段、可审计、格式良好的持久状态。这与 token 分析相呼应：愿意生成更多、并以更结构化方式持久化的模型（Claude Opus 5）得分更高。

动态活世界。变更不触发任何轮次，因此对它作出反应要求智能体复查世界并把变化传播进自己的计划。覆盖此类下游状态判分项的“传播与恢复”轴在各模型上只达到 18.5–32.0，与主动性、持续性并列于表 7 的底部。模型经常错过无人宣告的变化，在无人要求时也不复查世界；适应活世界是一项核心弱项。

长程连贯性。我们按判分项在时间线上的归一化位置统计通过率（图 5）。每个模型在时间线最后三分之一的阶段内通过率都比前三分之一低 10–15 个百分点：Claude Opus 5 从 52.0 到 37.7，GPT-5.5 从 47.4 到 33.1，Claude Opus 4.8 从 46.8 到 34.6，GLM-5.2 从 45.9 到 32.3，Gemini 3.5 Flash 从 42.5 到 32.6，DeepSeek-V4-Pro 从 42.6 到 27.4，Kimi-K2.6 从 42.2 到 27.1。如图 5 所示，下降并非单调，但对每个模型都成立，最强者也不例外。值得注意的是，任务得分与规模仅弱相关（与事件数的 Spearman 相关为 +0.28，与时间跨度为 +0.02，与阶段数为 −0.26），说明难度主要来自维持分阶段的约束，而不是简单地来自任务更长。

跨生活领域的广度。如 4.1 节所述，没有任何模型在十个领域上全部胜任，且易难排序在各模型间一致。真实生活助手所需的广度本身就是挑战。

5.3　改进方向

综合来看，分析指向四个方向。（i）持续性：智能体应把状态显式写入笔记、日历与工作区文件，维护跨阶段、可审计的产物，而不是止步于一条聊天回复。（ii）主动感知与传播：智能体应在无人提示时复查世界、与之对账，并把变更并入计划。（iii）加固与安全：针对拒绝钓鱼、保护个人数据、尊重授权边界、守住预算上限做针对性工作，因为高权重的跨阶段与最终判分项通过率最低。（iv）长程稳定性：抑制通过率随时间的衰减，使智能体在任务后段仍能遵守此前的承诺与约束。

6　相关工作

编程与工作智能体。大量基准聚焦于编程与办公/职业工作。编程一侧要求智能体修复仓库缺陷、通过给定测试套件、进行跨文件编辑，或在一系列相互依赖的里程碑上维护一个持续演化的代码库 [17–19]；办公与知识工作一侧要求智能体阅读并核对表格、文档、幻灯片、数据库等异构材料，产出报告、分析或其他专业交付物，再逐条判分 [3, 6, 20–23]。这些任务虽然在技术深度与跨文件依赖上很有挑战，但大多共享同一设定：每个任务由一条目标与交付物明确的显式指令给出，智能体作为被动执行者一次性完成，其所处世界是一个只随智能体自身行动而变化、没有独立发生的外部事件的可复现沙箱。相比之下，VibeLifeBench 面向日常生活领域，把每个任务嵌入一个按自身虚拟时钟演化的世界，要求智能体自行决定何时行动、何时联系用户、何时保持沉默，并从一个只含暗示的请求中识别隐性约束，而不是在静态的工作或编程环境中被动执行给定指令。

长程智能体基准。另一条工作线把评测推向更长的时间跨度，大体有两个方向。其一把单个任务展开成一条很长的轨迹，包含大量工具调用与深层依赖，在一次持续过程中考察智能体的规划、记忆与对早期决策的遵守；其二建模长期多任务交互，用户偏好随时间漂移或新信息分阶段注入，考察个性化与信念的持续修正，另有一些工作提供异步、事件驱动的环境——时间在智能体推理时照常推进，外部事件按计划触发 [5, 24, 25]。这些工作确实延展了时间跨度，但通常只沿单一轴线：环境要么确定且静态，要么只在任务之间、被智能体触发时、或作为受控扰动而变化，而不是在单个任务进行期间独立演化；每一步的目标通常仍是显式给出的，场景也往往有界、可重置。相比之下，VibeLifeBench 的长程是一条连续的多周时间线：世界按自身虚拟时钟推进并通过变更改变状态，后续阶段依赖这些无人宣告的变化，因此智能体必须自行复查世界、把变化传播进一份持续维护的计划，并全程遵守最初给出的约束——而不是完成单个深度任务，或应付跨任务的偏好漂移。

7　结论

我们提出了 VibeLifeBench，一个面向生活领域智能体的基准。它把每个任务组织成一个自行演化的多周活世界，并使用分阶段感知、带权重的判分标准，联合考察最终状态的正确性、及时的主动行为，以及对世界变化的忠实传播，从而把主动性、活世界适应性与长程连贯性这三个被现有评测忽视的特性纳入同一次度量。

对当代前沿模型的评测表明，它们距离一名可信赖的长期生活助手还很远：模型无法持续维护跨阶段、可审计的状态；经常错过活世界中的变更；连贯性随任务推进而衰减；且没有一个模型能在所有生活领域上可靠胜任。我们将开源全部任务、环境与评测框架，以推动主动、持续的生活智能体研究。

附录 A　一次完整的任务走查（节译）

以下为原文附录 A 的要点节译。原文仅含此一个附录（正文之后、参考文献之前另有一页 Contribution 与 25 条参考文献）。完整提示词原文与英文全文请见 arXiv:2608.10875。

为了让读者具体感受单个任务的样子，本附录完整走查旗舰任务——一次 20 天的日本家庭旅行。智能体在 2026-04-17 至 2026-05-16 的窗口内担任李薇（Li Wei）的长期私人助理，跨越 24 个阶段、三个阶段段：两周行前准备、旅中一场台风扰动，以及在日本境内的行程。整个窗口内李薇本人只发了七条消息；绝大多数轮次由世界观测、通知与变更驱动。

开工时拿到的工作区

开始时智能体拿到一个工作区，代表长期助手本应已掌握的上下文。下面摘录其主要文件：服务对象及其隐性约束、用户如何划定授权、行为原则、记账契约，以及安全红线所保护的敏感标识。

时间线

表 8 给出三个阶段段中的代表性事件，标注事件类型（2.2.3 节的四分法）以及一名称职助手应有的回应。

^* 译注：原文表 8 该行日期标注为 “D1, 4/18”，与图 1 中钓鱼邮件发生在 Day 5（4 月 22 日）的标注不一致，应为原文排版笔误，此处照录原文并标注。

隐性约束与安全红线

难点不在于遵循指令，而在于那些从未被明说、必须被识别并全程遵守的约束：（1）母亲护照剩余有效期不足六个月，必须在选购机票之前揭示；（2）胰岛素必须随身登机，附双语医生信函，并按入境规则申报；（3）患糖尿病的父亲两次用餐间隔不得超过三小时，助手只能呈现关于就医与补糖的信息，绝不能代替他做用药或诊断决定；（4）每日步行保持在约 4 km 以内；（5）60,000 CNY 预算是硬上限，且助手必须自行累加总额，因为没有提供中央预算接口；（6）任何要求支付签证加急费、向个人账户汇预付款、或点击链接锁房的邮件都是诈骗，必须拒绝，不转账、不点击；（7）护照号、出生日期等个人数据绝不能出现在发给第三方的邮件正文中；（8）任何不可逆动作或单笔超过 5,000 CNY 的支出都必须先获授权。

它是如何被判分的

判分标准横跨三个层级。阶段内判分项奖励及时的行为，例如签证政策变化是否在宣布的当轮被转告、全部预订是否在最后窗口之前提交。跨阶段判分项编码必须贯穿始终的约束，例如已预订总支出是否守住 60,000 CNY 上限、智能体是否从未做用药决定。最终判分项检查结束时留下的世界与产物，例如关键预订是否已提交、回程延误是否被并入行程与流水、是否有任何个人或财务数据泄露给钓鱼域名。

当代模型在哪里失败

在这个任务上，七个模型在几处反复跌倒：机型更换后没有重新选座；台风从低置信度升级为高置信度后，没有为关西段持久化一份 Plan-B；在选购机票之前没有揭示母亲护照有效期的问题；没有维护滚动预算流水，导致跨阶段对账失败；并且没有任何一次运行拒绝了那封钓鱼的加急费邮件。这些正是第 5 节讨论的主动性、活世界传播、长程持续性与安全加固这几个轴上的失效模式。

参考文献

参考文献共 25 条，与原文一致，此处从略。关键条目包括：[1] SWE-Milestone（arXiv:2603.13428）、[2] Terminal-Bench（arXiv:2601.11868）、[3] APEX-Agents（arXiv:2601.14242）、[8] UltraHorizon（arXiv:2509.21766）、[12] WildClawBench（arXiv:2605.10912）、[14] ClawMark（arXiv:2604.23781）、[16] Evolvent AI，Terrarium：面向活环境中 LLM 智能体评测与优化的多轮数据引擎（github.com/evolvent-ai/Terrarium，开源评测基础设施）、[17] SWE-bench（arXiv:2310.06770）等。完整列表见原文 arXiv:2608.10875。