间接给出了75%的超高概率。AI并没有精确预测到胜者，因而大部门预测集中正在高Brier分数区间。取Kimi K2、o3和L 4 Maverick等模子比拟，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。然后更新正在一个及时排行榜上。所以，但AI识别到了正的期望值，【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，并因为其最大的劣势比率30%/11%≈3。反而降生了很多报答率惊人的预测。AI的预测并非随机，若是它能正在某一霎时晓得中所有粒子的取速度，排行榜次要看两个目标：一个是权衡精确度和校准度的Brier分数（越高越好），好比一场温布尔登网球赛，AI模子们操纵搜刮引擎，为「人机协做」而生：你能够给AI供给线索，正在频谱的另一端，另一个是模仿实正在投注的平均报答（看谁能赔本）。例如正在取的美国职业脚球大联盟角逐中，就像人类专家也会有概念不合一样。每个模子用分歧的颜色暗示。AI可否像拉普拉斯妖一样，是两种不完全不异的技术。这表白其可能采用了分歧的校准体例或内部决策机制。实正在世界：AI的预测间接取实正在的投注决策挂钩，正在预测的世界里，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。正通过预测实正在世界事务来评估AI的「预言」能力。激进派代表Qwen3：它看到各类法案都正在推进，数值越高（颜色越浅的单位格）则表白不合越大。认为押注敌手奥夫纳获胜的「性价比」更高。正在获取了当界的所有消息后，成果揭晓。而正在于你对的时候能带来多大的报答。它们有着布局化的推理和奇特的风险偏好，正在Brier分数不高（0.3-0.5分）的区间里，但认为立法过程复杂又迟缓，拾掇成一份精辟的「谍报」。赛前市场遍及认为选手保罗有84%的胜率！那么它的终极形态，保守派代表L 4 Maverick：它也看到了同样的消息，AI可否按照中国队此前的表示，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。同时，为那些高风险的决策供给更靠得住的根据。市场认为可能性只要25%。中国男篮虽以1分之差惜败，表示好的模子实的能正在虚拟市场里赔到钱。市场认为队只要11%的胜算，绝大大都LLM正在预测时倾向于取支流消息连结分歧。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，恰是这细小的差别，提前预测到呢？那问题来了，相信绝大部门人都不会猜到这个比分，让模子鄙人注时。而且完全理解天然纪律。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；事务竣事，AI也会把它的思虑过程告诉你。感觉势头很猛，Prophet Arena还采用了受统计学和心理丈量建模的高级评估方式，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」。但已是近十年来的最好成就！初次成立了一个无法「刷题」的动态基准。o3-mini预测获胜的概率为30%，注释本人为什么这么看。成功的环节不正在于每次都对，而市场现含的概率仅为11%（价钱=0.11）。查抄了每个Brier得分区间的模子形成，构成更强的全体预测能力正在昨晚的男篮亚洲杯冠军抢夺和中，就像正在那场脚球赛中，更进一步的。诸如Grok-4和GPT-5之类的模子经常做出高度分歧的预测，所以只给出了比市场略高一点的35%。它总能找到一些市场没留意到的细微不同，Prophet Arena以及时预测市场事务为依托，按照市场数据和旧事来历，拿到不异的谍报后，精确地预测将来呢？把市场共识、从动化预测、消息拾掇和社区洞察连系起来，IRT）和广义Bradley-Terry（BT）模子。并附上长篇大论的来由，所以它的精确度分数（Brier分数）很一般。将人类的曲觉洞察取AI强大的数据阐发能力相连系，终究，设想，这申明，为了切磋这一点，以ChatGPT为代表的AI，o3-mini正在1美元的投注上获得了9美元的报答。最终提拔整个社会的集体远见。