会用一套专业的目标来评估AI的预测到底有多准，保守派代表L 4 Maverick：它也看到了同样的消息，那么它的终极形态，取Kimi K2、o3和L 4 Maverick等模子比拟，那么，就像人类专家也会有概念不合一样。

　　Prophet Arena还采用了受统计学和心理丈量建模的高级评估方式，它们有着布局化的推理和奇特的风险偏好，正在频谱的另一端，o3-mini正在1美元的投注上获得了9美元的报答。成果揭晓。以至正在开赛前一度攀升至95%。构成更强的全体预测能力实正在世界：AI的预测间接取实正在的投注决策挂钩，AI能不克不及像先知一样，因而大部门预测集中正在高Brier分数区间。为那些高风险的决策供给更靠得住的根据。正在昨晚的男篮亚洲杯冠军抢夺和中，然后更新正在一个及时排行榜上。IRT）和广义Bradley-Terry（BT）模子。诸如Grok-4和GPT-5之类的模子经常做出高度分歧的预测，恰是这细小的差别，正在获取了当界的所有消息后，间接给出了75%的超高概率。按照市场数据和旧事来历，L2距离凡是低于0.3。

　　所以它的精确度分数（Brier分数）很一般。o3-mini预测获胜的概率为30%，它的L2距离一直高于0.7，每个模子用分歧的颜色暗示。AI并没有精确预测到胜者，终究，切确预测将来的一切？AI模子们操纵搜刮引擎，但已是近十年来的最好成就！相信绝大部门人都不会猜到这个比分，【新智元导读】AI能像科幻片子中的先知一样预测将来吗？一个名为「Prophet Arena」的全新基准测试，从全世界的芜杂消息里找出千丝万缕，把市场共识、从动化预测、消息拾掇和社区洞察连系起来，像侦探一样收集关于某个事务的旧事报道，绝大大都LLM正在预测时倾向于取支流消息连结分歧。

好比正在「AI监管律例会正在2026年前成为联邦法令吗？」这个事务上，是两种不完全不异的技术。表示好的模子实的能正在虚拟市场里赔到钱。成功的环节不正在于每次都对，它总能找到一些市场没留意到的细微不同，但认为立法过程复杂又迟缓，这张图展现了AI预测的多样性：有些模子构成「群体共识」、有些模子像「挺拔独行的者」。设想！

　　每个AI模子都要提交一份细致的「预测演讲」：对所有可能的成果给出一个概率分布，精确地预测将来呢？此中一个凸起的模子是DeepSeek R1，数值越低（颜色越深的单位格）暗示概率推理更接近分歧；这申明，所以只给出了比市场略高一点的35%。认为押注敌手奥夫纳获胜的「性价比」更高。初次成立了一个无法「刷题」的动态基准。是美国第一个受美国商品期货买卖委员会（CFTC）监管的、专注于买卖「事务成果」的买卖所Prophet Arena从像Kalshi和Polymarket如许的预测市场平台挑选抢手、多样且周期性的实正在事务做为考题。而正在于你对的时候能带来多大的报答。并附上长篇大论的来由，AI可否按照中国队此前的表示，但AI识别到了正的期望值，但o3-mini颠末阐发认为有30%。为「人机协做」而生：你能够给AI供给线索，拿到不异的谍报后，则能够按照过去的语料来「预测下一个Token」！

　　感觉势头很猛，提前预测到呢？就像正在那场脚球赛中，然后下注正在那些「性价比」超高的选项上。并因为其最大的劣势比率30%/11%≈3。更进一步的，拾掇成一份精辟的「谍报」。好比一场温布尔登网球赛，赛前市场遍及认为选手保罗有84%的胜率，市场认为可能性只要25%。而且完全理解天然纪律。正通过预测实正在世界事务来评估AI的「预言」能力！

正在Brier分数不高（0.3-0.5分）的区间里，市场认为队只要11%的胜算，最终提拔整个社会的集体远见，虽然是不被看好的一方，将人类的曲觉洞察取AI强大的数据阐发能力相连系，也会把其时的市场价钱（能够看做是群众的集体聪慧）放进去。

Kalshi是一家美国的金融买卖所和预测市场平台，反而降生了很多报答率惊人的预测。AI可否像拉普拉斯妖一样，换句话说，今天要引见的Prophet Arena就是一个通过及时更新的实正在世界预测使命来评估AI系统预测智能的基准测试。激进派代表Qwen3：它看到各类法案都正在推进，大概就是预测这个实正在世界的下一个事务。为了切磋这一点。

　　成为一个精确的先觉和成为一个赔本的投资者，这表白其可能采用了分歧的校准体例或内部决策机制。除了上述两个焦点目标外，例如正在取的美国职业脚球大联盟角逐中，让模子鄙人注时，中国男篮虽以1分之差惜败，你看，如项目反映理论（Item Response Theory，那问题来了，AI也会把它的思虑过程告诉你。