AG旗舰厅官方ღ★★。旗舰厅ღ★★，家具设计ღ★★，ag旗舰厅ღ★★！ag旗舰厅ღ★★，客厅设计ღ★★，ag旗舰厅官方网站官网ღ★★，全屋订制ღ★★。【新智元导读】AI能像科幻电影中的先知一样预测未来吗？一个名为「Prophet Arena」的全新基准测试ღ★★，正通过预测真实世界事件来评估AI的「预言」能力ღ★★。

　　在昨晚的男篮亚洲杯冠军争夺战中ღ★★，中国男篮虽以1分之差惜败澳大利亚ღ★★，但已是近十年来的最好成绩ღ★★！

　　今天要介绍的Prophet Arena就是一个通过实时更新的真实世界预测任务来评估AI系统预测智能的基准测试ღ★★。

　　为「人机协作」而生ღ★★：你可以给AI提供线索ღ★★，看看它的预测如何变化ღ★★；AI也会把它的思考过程告诉你非你莫属张文文ღ★★。

　　Prophet Arena从像Kalshi和Polymarket这样的预测市场平台挑选热门非你莫属张文文ღ★★、多样且周期性的真实事件作为考题ღ★★。

　　Kalshi是一家美国的金融交易所和预测市场平台ღ★★，是美国第一个受美国商品期货交易委员会（CFTC）监管的ღ★★、专注于交易「事件结果」的交易所

　　AI模型们利用搜索引擎ღ★★，像侦探一样收集关于某个事件的新闻报道ღ★★，整理成一份精炼的「情报简报」ღ★★。同时ღ★★，也会把当时的市场价格（可以看作是群众的集体智慧）放进去ღ★★。

　　拿到相同的情报后ღ★★，每个AI模型都要提交一份详细的「预测报告」ღ★★：对所有可能的结果给出一个概率分布ღ★★，并附上长篇大论的理由非你莫属张文文ღ★★，解释自己为什么这么看ღ★★。

　　事件结束ღ★★，结果揭晓非你莫属张文文ღ★★。会用一套专业的指标来评估AI的预测到底有多准ღ★★，然后更新在一个实时排行榜上ღ★★。

　　排行榜主要看两个指标ღ★★：一个是衡量准确度和校准度的Brier分数（越高越好）ag真人试玩平台ღ★★，另一个是模拟真实投注的平均回报（看谁能赚钱）ღ★★。

　　除了上述两个核心指标外ღ★★，Prophet Arena还采用了受统计学和心理测量建模启发的高级评估方法ღ★★，如项目反应理论（Item Response Theoryღ★★，IRT）和广义Bradley-Terry（BT）模型ღ★★。

　　比如一场温布尔登网球赛ღ★★，赛前市场普遍认为选手保罗有84%的胜率ღ★★，甚至在开赛前一度攀升至95%ag真人试玩平台ღ★★。

　　比如在「AI监管法规会在2026年前成为联邦法律吗？」这个事件上ღ★★，市场认为可能性只有25%ღ★★。

　　保守派代表Llama 4 Maverickღ★★：它也看到了同样的信息ღ★★，但认为立法过程复杂又缓慢ღ★★，所以只给出了比市场略高一点的35%ag真人试玩平台ღ★★。

　　例如在圣地亚哥与多伦多的美国职业足球大联盟比赛中非你莫属张文文ღ★★，o3-mini在1美元的投注上获得了9美元的回报ღ★★。

　　根据市场数据和新闻来源ღ★★，o3-mini预测多伦多获胜的概率为30%ag真人试玩平台ღ★★，而市场隐含的概率仅为11%（价格=0.11）ag真人试玩平台ღ★★。

　　尽管多伦多是不被看好的一方ag真人试玩平台ღ★★，但AI识别到了正的期望值非你莫属张文文ღ★★，并由于其最大的优势比率30%/11%≈3ღ★★。

　　就像在上面那场足球赛中ag真人试玩平台ღ★★，市场认为多伦多队只有11%的胜算ag真人试玩平台ღ★★，但o3-mini经过分析认为有30%ღ★★。

　　数值越低（颜色越深的单元格）表示概率推理更接近一致ღ★★；数值越高（颜色越浅的单元格）则表明分歧越大ღ★★。

　　与Kimi K2ღ★★、o3和Llama 4 Maverick等模型相比ღ★★，它的L2距离始终高于0.7ღ★★，这表明其可能采用了不同的校准方式或内部决策机制ღ★★。

　　在频谱的另一端非你莫属张文文ღ★★，诸如Grok-4和GPT-5之类的模型经常作出高度一致的预测ღ★★，L2距离通常低于0.3ღ★★。

　　换句话说ღ★★，这张图展示了AI预测的多样性ღ★★：有些模型形成「群体共识」ღ★★、有些模型像「特立独行的异议者」ღ★★。

　　设想非你莫属张文文ღ★★，AI系统将成为预测市场的积极参与者ღ★★，将人类的直觉洞察与AI强大的数据分析能力相结合ღ★★，最终提升整个社会的集体远见ღ★★，为那些高风险的决策提供更可靠的依据ღ★★。

　　毕竟ღ★★，如果说语言模型的下一步是预测下一个词ღ★★，那么它的终极形态ღ★★，或许就是预测这个真实世界的下一个事件ღ★★。