夜雨聆风
58.3%。
这是百度文心在本届世界杯AI预测"人机大战"中的胜率（截至前24场比赛），也是国内所有参赛模型的最好成绩。
Kimi也派出了300个Agent集群参与了预测，但截至前24场比赛，效果却并不理想，排名靠后。与此同时，国外的ModelFights、AIWC26等多个平台，也在让ChatGPT、Claude、Gemini接受同样的检验。
所以，让AI预测世界杯这事儿真得靠谱吗？如果靠谱，哪家模型又表现最好？
01 置信度：一个预测前的关键指标
Kimi的300 Agent集群在生成每场比赛预测时，会同步输出四个关键信息：预测结果（胜/平/负+比分）、置信度等级（高/中/低）、概率分布（如胜65%、平20%、负15%），以及风险提示（可能出错的变量）。
这与天气预报的"降雨概率70%"类似——在比赛开始前，模型就已经明确告知用户自己对这次预测有多大把握。
Kimi将置信度分为三个等级，并给出了基于历史回测的准确率参考：
需要强调的是，85%-90%的准确率是基于2018、2022两届世界杯的历史回测数据，而非本次2026世界杯的实时统计。本次世界杯的具体表现，需要等到全部比赛结束后复盘验证。
从赛后验证结果来看，Kimi在高置信度场次的准确率确实更高，但即使是90%的置信度，仍有10%的意外可能。世界杯冷门频发，强队输给弱队的案例比比皆是。
这种标注方式让用户能够区分"可以参考的预测"和"基本靠猜的预测"。对于低置信度场次，用户知道模型本身也没有把握，自然不会将其作为决策依据。
02 胜率天花板：模型的集体困境
国内"人机大战"在小组赛第一轮结束后公布了完整排名：
百度文心以58.3%领跑所有参赛模型。Kimi排名靠后（45.8%），这可能与其实验性定位有关——300 Agent集群更倾向于展示复杂任务处理能力，而非追求稳定胜率（所以我在想，在应用到预测市场的场景中，是否更善于处理复杂任务的模型反而不那么有效？）
国外平台的数据覆盖到32场比赛，时间维度比国内多8场（截至6月19日）：
World Cup Predictor 平台：
AIWC26 平台：
Gemini在国外模型中表现最佳（50-53%），Claude居中（47-53%），OpenAI/GPT相对落后（40-50%）。
数据口径说明：国内数据截止到第一轮24场（6月18日），国外数据截止到32场（6月19-20日）。由于国外平台未单独保留24场节点的快照，两者的时间维度存在差异，对比时需要注意这一前提。
不过，我们也发现，各家模型都有一个共同盲区——平局预测。
无论中外模型，在平局预测上都出现了系统性失败：
这表明AI普遍倾向于"强者胜"的简单逻辑，低估了世界杯的偶然性。即使在高置信度场次中，平局依然是模型最难处理的赛果类型。
胜率的天花板大约在55-58%，接近博彩市场水平。
03 有人用这赚钱吗？
Medium上有一篇热门文章《已验证+147.5% ROI策略：如何用AI建模2026世界杯并击败Polymarket》，详细介绍了完整工作流。其核心逻辑是正期望值（EV）下注：先创建自己的概率估计，与Polymarket实时价格对比，只有当自己的概率显著高于市场价格（扣除手续费后）时才下注，并用Kelly Criterion计算仓位大小。
这套策略的技术栈包括：
Github上也有开源工具专门扫描正期望值机会。
但Kimi明确反对直接用其预测下注（确实，如果用了这个估计最近亏得挺多哈哈哈）：
图源：Kimi服务号
那么，为什么直接用AI预测下注很危险呢？
可能目前较为专业的做法是自建概率模型，对比Polymarket、Kalshi、DraftKings、Betfair等多个市场寻找套利，来专门寻找市场过度反应的情况，并严格控制交易仓位——但这个也不是谁都能玩得转的，因为技术门槛还是很高的。
普通人如果简单跟随Kimi/Gemini/文心的预测买，大概率要亏钱的。
04 这场实验的真正价值
2026世界杯AI预测实验揭示了一个核心事实：在复杂、随机、信息不完整的系统中，AI预测准确率（至少截至目前来看）存在明显天花板（约50-60%），中外模型都面临同样的限制。
但是这种活动可以多搞，建立公开、透明的AI能力测试框架，有利于反过来PUSH模型在真实世界里的应用能力的进化。
毕竟，也不用过于在意谁能猜中结果，而是模型能否诚实地面对自己的局限，从对评分打榜的追求，切换到对真实场景的应用效果。在这个意义上，标注"我不知道"可能比强行给出答案更有价值。
BTW，谁说这不是一种世界模型的绝佳试验田呢。
