馬斯克押注的"預言測試"，自家AI差點墊底

2026年3月29日，一份叫FutureX的全球榜單更新了。北京中關村學院信息智能團隊做的Milkyway系統，拿了60.9分，直接登頂。

作為參照，馬斯克旗下xAI的Grok-4，只拿到25.9分。Milkyway比它高出一倍還多——而Grok-4曾經是這榜單的首期冠軍。

陳天橋團隊的MiroFlow框架（用的GPT-5），也有57.5分。它在最難的Level 4還能逼近50分，對復雜不確定性的把控相當穩。

智譜GLM-5-thinking 37.3分，DeepSeek-V3.2-thinking 31.2分，阿里Qwen-3.5-plus-thinking 26.9分排第17。

Grok-4以25.9分落在第18位。馬斯克說過："預測未來的能力，是對模型智能性最好的測試。"

這場"預言能力"的試煉，把傳統大模型靠"刷靜態題庫"撐起來的體面，撕了個口子。

過去幾年，主流大模型在MMLU、HumanEval這些學術題庫里，基本都能刷到90%以上。但商業世界不需要做題家。市場真正想問的是：能預測下周哪款爆品賣爆嗎？能判斷地緣博弈往哪走嗎？

一部分團隊已經交卷了。FutureX公開的實戰記錄里，存著大量被AI成功拆解的真實考題：

微觀商業——2025年底，AI自主抓取網頁和歷史數據，預測Temu美國區某商戶12月5日的單品銷量。

宏觀氣候——基于NASA的Gistemp數據，推演12月全球平均氣溫較歷史基準的偏差。

甚至還有地緣政治和體育賽事——2026年1月葡萄牙總統選舉誰能進第二輪；墨西哥甲級聯賽克雷塔羅對蒂華納的賽果。

這些問題，瞎蒙沒用。系統得像頂級情報分析師，在全球碎片信息里找信號、過濾假新聞，最后給出一個不帶模糊地帶的答案。

為什么巨頭都在盯FutureX？因為它是真正的"閉卷實戰"。

這個由字節Seed、斯坦福、復旦、普林斯頓等聯合發起的評測基準，干掉了一個作弊溫床——數據污染。

以前的靜態考題，模型訓練時可能早就背過答案。但FutureX考的是還沒發生的未來事件。它每天從全球195個信源實時抽新題，模型根本沒法提前準備。

FutureX用"折疊式"評分，拒絕靠蒙"是與否"刷分。它壓縮了二元對立事件的數量，難度分四級：

Level 1基礎事件，權重只占10%。

Level 2考察帶變量的趨勢預測，占20%。

Level 3（多步深度推理）和Level 4（極高不確定性的宏觀預測）合計占70%——前面選擇題30分，后面70分全是壓軸大題。

這種高壓測試下，2026年3月的榜單呈現出冰冷的技術分化。

以被反超的Grok-4為例，拆解成績單會發現致命傷：Level 1簡單任務拿了71.43分，但Level 3深度推理斷崖跌到8.21分。而第三方Agent接入的GPT5.2更慘，像失去方向感的盲人，僅得10.3分。

不過總分低不代表全輸。FutureX專門設了"細分預測任務"（含基礎事件和高精度的FutureX-Pro垂直領域），直接暴露各家"偏科"體質：

政治與科技：擅長邏輯推理的GPT-5以72%和68%準確率領跑，DeepSeek-R1和Claude-3.7跟上。

體育賽事（高頻動態博弈）：DeepSeek-R1第一（64%），Claude-3.7（60%）第二。

金融（FutureX-Finance）：預測財報和宏觀指標，誤差須控在5%以內。GPT-5-high和Grok-4找回主場，分別以46.37和41.25分領先。

零售（FutureX-Retail）：考驗銷量與供應鏈預測。Claude-Opus和Kimi-K2在評估不確定性概率分布上得分最高。

公共衛生（FutureX-PublicHealth）：解讀官方公報預測疾病指標。GPT-5-High和Kimi-K2-thinking靠極高問題覆蓋率占榜首。

此外，字節豆包（Seed1.6）和谷歌Gemini Deep Research在高難度交叉分析榜單里穩居前四。

Milkyway和MiroFlow能在綜合榜超越這些"偏科"算力怪獸，秘密不在參數量，而在"Harness層（腳手架）"和"驗證機制"的深耕。它們引入DAG（有向無環圖）推理協議和雙層驗證器——在模型內部建了個"風控中臺"，每搜一條信息、每推一步，都有機制實時審計、強制糾錯。

FutureX的榜單更迭，不只是技術圈的狂歡。它向創業者和普通人釋放了一個信號：

大模型的價值不再是寫詩寫郵件，而是走向"Action Engine（行動引擎）"。誰能在紅海物流停擺前兩周幫企業調供應鏈？誰能在金融市場里捕捉到微弱的宏觀信號？高價值的"預見力"才是下一步的真金白銀。

沒有一個模型能通吃所有細分領域。這正是創業者的機會——搭更優的智能體外殼、設計更抗干擾的驗證流、在特定垂直領域投喂高質量反饋信號。

未來的贏家，不一定是GPU最多的人，但一定是最懂如何在不確定性里建立規則、馴服AI的人。

FutureX的每日考題仍在滾動更新。Milkyway團隊內部流傳著一個細節：系統在某次Level 4預測中，曾連續否決了37次自身推理路徑，直到第38次才輸出最終答案——而那次預測，與真實結果僅差1.2%。