科研Xᴬᴵ | 让AI Agent从真实世界中学会预测未来:中关村两院FutureWorld * Milkyway

所谓Live Future Prediction（实时未来预测），是指在真实世界事件尚未发生、答案尚不存在时，让智能体基于公开信息作出预测；等事件随后发生并有公开结果后，再用真实结果检验预测是否准确。这里的 “Live” 指的是一套真正随现实世界动态变化而推进的预测流程：智能体不是在固定题库中回答已有答案的问题，而是在事件尚未发生、答案尚不存在时，实时联网搜索公开信息并作出判断；等真实结果公布后，再用这些结果检验预测表现。

举例来说，可以在2026年5月上旬提出一个问题：“中央广播电视总台是否会在2026年世界杯开幕前，与国际足联就中国大陆地区转播权达成协议并公开宣布？”当问题被提出时，结果还没有发生，最终答案也尚不存在。智能体需要实时联网搜索国际足联公告、央视公开信息、体育媒体报道以及相关市场分析，在转播权价格、谈判进展、赛事临近程度等公开信息基础上作出判断。

已有研究已经推动了未来预测评测基准的发展，也开始探索利用历史已知结果的问题训练预测模型。但在论文看来，现有方法还没有真正形成一个完整的训练闭环：问题要持续来自真实世界，反馈要直接来自最终结果，智能体如何搜索信息、分析证据、作出判断，都应成为训练过程的一部分。FutureWorld 要做的，正是把这一整套过程变成一个可以持续运行的训练环境。

论文《FutureWorld: A Live Reinforcement Learning Environment for Predictive Agents with Real-World Outcome Rewards》把“预测未来”变成了一个可以持续训练智能体的真实环境。系统会持续从公开网络来源中获取真实世界里的待预测事件，把它们整理成预测问题，并要求智能体判断相关事件发生的概率。智能体在作答前必须先进行网页搜索，基于公开信息完成分析，再给出自己的概率预测。整个过程中，系统会记录它搜索了什么、看到了什么、如何推理，以及最终给出了怎样的判断。等到事件结果公布后，FutureWorld会根据真实结果计算奖励，并把完整预测轨迹用于强化学习训练。

图2：在连续多天训练下，三个开源智能体在准确率、Brier score 和 ECE 上呈现整体改善趋势。

图3：训练前后在不同领域上的预测表现对比，day8 checkpoint 在多数领域取得更好结果。

在训练阶段，论文主要使用“事件是否会发生”这类预测问题：系统把尚未发生的真实世界事件整理成二元问题，让智能体判断事件发生的概率，而不是简单回答“会发生”或“不会发生”。为了检验训练得到的能力是否能够延伸到更多样、更为通用的预测场景，研究团队进一步设计了FutureWorld daily benchmark（FutureWorld 每日评测基准）。该基准题目每天更新，单日最多包含50道题，覆盖二元选择题、简单多选题、困难多选题和数值预测四类题型。

连续五天的评测结果显示，三个智能体在经过 FutureWorld 训练后，整体表现均优于训练前。这说明，FutureWorld 训练带来的提升并不是对单一题型的过拟合，而是反映了模型通用预测能力的增强。

图5：Milkyway 在 FutureX 2026年3月 Week 3 overall leaderboard 中位列第一。

Future Prediction的难点，不只是问题更复杂，也不只是搜索范围更大，而在于它的任务结构与标准问答不同。普通问答通常默认答案已经存在，系统的主要工作是搜索、阅读和交叉验证；而预测未来时，答案尚未发生，公开证据也仍在变化。

• 答案缺席，反馈极慢：预测发生时不存在可直接检索的标准答案，最终结果往往要滞后很久才出现。

• 证据持续变化：今天看不到的信号，明天可能出现；今天仍然模糊的迹象，后天也许会变成关键证据。

• 最终反馈粗糙：outcome主要告诉系统最后对不对，却很难说明当初漏掉了哪个变量、该监控哪个来源、何时应该保留不确定性。

因此，Future Prediction的挑战不是“更难的搜索题”，而是process-level credit assignment：当最终反馈又晚又粗时，系统如何尽可能可靠地判断，并知道预测过程该如何改进。

图6：有答案的一般任务与未来预测任务的结构差异。

基于这个洞察，论文提出了一个能自我进化的架构：Milkyway。在本文设置下，Milkyway不通过更新底层模型参数来适应同一问题的后续预测，而是让固定的 BaseAgent 搭配一个受约束、可编辑、可复用的外部状态：Harness state。这个Harness可以理解为一份动态更新的预测操作手册，但它不是自由写入的记忆库，也不是把答案或原始证据塞进去。

Harness主要包含三个维度：Factors关注该看什么，帮助系统持续跟踪重要变量；Evidence关注去哪里看、怎么看，帮助系统判断证据是否真正匹配题目的 resolution criterion；Uncertainty关注何时下注，提醒系统在关键信息尚未出现时保持谨慎，在信号足够清晰时果断修正判断。

图8：Future Prediction Harness 的三个核心维度：Factors、Evidence 与 Uncertainty。

Milkyway的核心工作流可以概括为：当前Harness指导一次预测，系统生成 checkpoint note；随后从同一问题的时间差异中提取内部反馈，写入 bounded patch；下一次checkpoint再复用更新后的Harness。

具体来说，当系统在某个checkpoint上对尚未解决的问题做预测时，BaseAgent会在当前Harness的指导下完成证据搜索、分析和判断。任务结束后，系统记录的不仅是一个预测值，还会生成一份精炼的checkpoint note，说明这一轮看到了什么关键信息、判断逻辑如何变化、当前还存在哪些风险。

接着，系统会把这份新笔记与之前同一问题的笔记进行对比：后来看到了什么是前面完全没意识到的；判断为什么发生修正；前面有哪些地方因为证据不足而过早下结论。由此得到的可复用经验会被写入Harness，供下一次预测调用。

在论文报告的评测协议下，Milkyway在 FUTUREX和FUTUREWORLD的 overall score 上领先对比方法。结果显示，typed harness与bounded edits 并不是简单增加一段记忆，而是把同一问题在不同checkpoint中暴露出的过程信号转化为后续预测可复用的指导。

机制实验

为了验证提升来自pre-resolution writeback，而不是重复调用或普通记忆，论文构造了三组matched conditions：NH（No Harness）不保留 question-local persistence，只测 repeated forecasting；GH（Generic Harness）保留同等 byte/write-call budget 的 free-form memory blob；FH（Full Harness）使用 Milkyway 的 typed F/E/U harness 和 bounded edits。

图11：机制实验中的 pre-resolution score trajectories。FH 的优势在 writeback 可被后续 checkpoint 使用后逐渐拉开。

图12：T-4d 到 T-1d 的 endpoint improvement 对比，FH 相比 NH/GH 带来更高增益。

这些结果对应T-4d 到T-1d的endpoint improvement。更关键的是，FH的优势不是一开始就出现，而是在writeback能够被后续checkpoint使用后逐渐拉开。这与论文的机制假设一致：pre-resolution signal 被写入typed harness，随后改变后续预测过程。论文还做了compute-matched check 与 same-day repeated-rounds control，说明提升不能简单归因于更多工具调用、更多prompt token，或同一天重复运行。