2026 世界杯预测复盘：AI 会预测比赛，还是只是在猜？
世界杯结束后，最容易出现两种极端叙事：要么把排行榜第一名当作“AI 已经会预测足球”，要么看到几场冷门就断言“大模型不过是在随机猜”。这两种说法都太快了。
这次 104 场比赛提供了一个更有用的中间答案：在统一的公开赛前信息下，当前通用大模型的胜、平、负方向并非毫无信息；但现有数据没有保存可审计的赛前市场赔率，因此尚不能据此宣称它们比成熟预测市场更准。对精确比分、淘汰赛偶发事件和冠军路径，它们仍然远谈不上可靠的专业预测器。
这次测试怎样做到可比
所有模型收到的是同一份、在比赛前冻结的结构化比赛包，而不是让模型自行搜索网页。输入包含赛程与场地、公开排名快照、近期战绩、交锋和世界杯历史、公开阵容与伤停摘要等；不允许使用私有赔率，也不允许浏览网页。这样测到的不是“哪个模型更会找资料”，而是它们如何解释相同的公开信息。
对淘汰赛，已结束比赛的真实结果会用来重建后续对阵，再为下一轮重新生成预测。因此，淘汰赛预测可以使用此前已发生、当时已经公开的比赛结果，但不能沿用模型此前猜错的晋级路径。
Arena 的单场总分由三部分组成：
| 指标 | 权重 | 回答的问题 |
|---|---|---|
| 胜平负正确 | 50% | 模型是否押对比赛方向？ |
| 实际赛果概率 | 30% | 它是否给真实结果留出了足够概率？ |
| 比分接近度 | 20% | 预测比分离实际比分有多远？ |
其中“概率校准”在当前实现中是模型分配给实际胜平负结果的概率，并不是完整的统计校准检验；这一点会在后文单独讨论。
最终榜单：两款中国模型包揽前二
| 排名 | 模型 | 提供方 | 平均总分 | 胜平负命中 | 精确比分命中 |
|---|---|---|---|---|---|
| 1 | DeepSeek V4 Pro | DeepSeek | 0.584 | 69 / 104（66.3%） | 12 / 104（11.5%） |
| 2 | Qwen3.7 Plus | 阿里云 | 0.578 | 66 / 104（63.5%） | 12 / 104（11.5%） |
| 3 | Claude Opus 4.8 | Anthropic | 0.570 | 66 / 104（63.5%） | 20 / 104（19.2%） |
| 4 | Gemini 3.5 Flash | 0.561 | 64 / 104（61.5%） | 8 / 104（7.7%） | |
| 5 | GPT-5.5 | OpenAI | 0.556 | 64 / 104（61.5%） | 19 / 104（18.3%） |
差距不大，但不是零：第一名 DeepSeek V4 Pro 比第五名 GPT-5.5 的平均总分高 0.028，约为 5%。更值得注意的是，榜单前两名都来自中国提供方。
不过，不能只看最后总分。Claude Opus 4.8 和 GPT-5.5 的精确比分命中明显更多，说明它们在比分分布的表达上未必更差；只是总分更偏重胜平负方向和真实结果概率，DeepSeek、Qwen 在这两项的合计表现更好。
“永远猜主胜”只是最低基线，不是市场基线
104 场比赛的实际结果分布为：主胜 46 场（44.2%）、平局 29 场（27.9%）、客胜 29 场（27.9%）。若完全不看球队信息、永远预测主队赢，胜平负正确率就是 44.2%。
五个模型的胜平负正确率在 61.5% 到 66.3% 之间：
- 最低的 Gemini 3.5 Flash 与 GPT-5.5，也比“永远主胜”高 17.3 个百分点；
- DeepSeek V4 Pro 高出 22.1 个百分点；
- 五个模型整体都没有落到接近随机或简单主场偏置的水平。
这只能说明模型并非退化成“无视球队、机械押主队”的规则；它不能说明模型已经拥有比足球市场更强的预测能力。球队本来就有相对强弱，任何合格的赛前基线都会利用这种强弱。
更合理的检验应分成两类，且不能混用：
| 想检验的预测对象 | 应比较的市场基线 | 合适指标 |
|---|---|---|
| 胜平负概率 | 开球前最后一段时间的 1X2 市场隐含概率，先去除庄家水位 | Brier score、对数损失、实际结果概率、选项准确率 |
| 让球/净胜球判断 | 开球前亚洲让球主盘及水位 | 让球盘胜率、CLV、净胜球误差 |
| 总进球/比分 | 大小球主盘与比分市场 | 大小球胜率、CRPS、比分概率对数损失 |
所以，用户常说的“跟让球比”方向是对的，但若要评估本文的胜平负输出，直接对应的市场标尺是 1X2，而不是让球盘；让球盘适合检验模型是否准确估计双方的净胜球差。最有说服力的结论应该是：模型在不读取赔率的前提下，是否仍能在严格赛前市场共识之上提供增量信息。
这届 Arena 的比赛包明确排除了私有/高级赔率，线上归档没有保存传统博彩公司每场开球前的 1X2、让球和大小球历史快照。因此不能把 Arena 分数解释为“胜过传统盘口”。不过，赛后通过 Polymarket 的公开历史价格接口，可以对一部分比赛补做预测市场基线；结果见下一节。
补充回测：模型与 Polymarket 的开球前市场谁更准？
我们从 Polymarket 世界杯赛事中找到 104 个标准的“主胜 / 平局 / 客胜”事件，并可与 Arena 的 104 场比赛中 101 场匹配。库拉索相关的 3 场没有对应市场。对每一项二元合约，取开球前 5 分钟之前的最近历史价格；只保留主胜、平局、客胜三项都有价格、且每项价格距该时点不超过两小时的比赛。最终得到 70 场可比较样本。由于 Polymarket 历史序列在该窗口的最新点中位数约早 55 分钟，这应理解为“开球前约一小时的市场共识”，不是严格的最后一秒收盘价。
三项合约的原始价格和平均为 1.003，接近完整概率分布；为便于与模型三分类概率比较，按三项之和归一化。所有指标都只用开球前价格，没有使用赛后价格。
| 预测者 | 样本 | 胜平负命中 | 多分类 Brier（低更好） | 对数损失（低更好） |
|---|---|---|---|---|
| Polymarket | 70 | 43 / 70（61.4%） | 0.514 | 0.867 |
| DeepSeek V4 Pro | 70 | 46 / 70（65.7%） | 0.524 | 0.873 |
| GPT-5.5 | 70 | 44 / 70（62.9%） | 0.532 | 0.895 |
| Qwen3.7 Plus | 70 | 43 / 70（61.4%） | 0.535 | 0.898 |
| Claude Opus 4.8 | 70 | 42 / 70（60.0%） | 0.543 | 0.909 |
| Gemini 3.5 Flash | 70 | 42 / 70（60.0%） | 0.527 | 0.885 |
这给出一个比“永远猜主胜”更有意义、也更克制的结论：DeepSeek 在这 70 场里多猜对了 3 场方向，但它并没有在概率质量上胜过市场；Polymarket 的 Brier 和对数损失均为最优。更关键的是，DeepSeek 与市场的配对比较只有 6 场模型独中、3 场市场独中，差异不足以在这样小的样本中宣布模型稳定领先。
因此，本次回测不支持“AI 打败预测市场”的说法。更接近事实的表述是：最好的模型在方向选择上可以与预测市场相近，偶尔略占上风；但市场给出的整套概率仍然更好地反映了不确定性。传统 1X2、亚洲让球和大小球的历史线仍是下一步必须补齐的、更强市场基线。
能力边界：方向可以，比分和异常事件仍然很难
精确比分命中率只有 7.7% 到 19.2%。这不是失败，而是足球预测本来的难处：一两个射门、红牌、门将失误、点球与加时赛就足以改变比分。模型能从公开资料中识别强弱关系，不等于能预知这些低频、高影响事件。
淘汰赛尤其说明了这一点。32 场淘汰赛中，DeepSeek 的胜平负命中率为 65.6%，GPT-5.5 为 62.5%，但 Qwen3.7 Plus 降至 53.1%，Claude 与 Gemini 均为 56.3%。小样本的波动很大，不能把单届淘汰赛当作模型稳定性的最终判决。
决赛也很有代表性。Arena 的结算记录为西班牙 0–0 阿根廷：DeepSeek 与 Gemini 押中平局，其他三款模型没有；五个模型都给出 1–1，而没有命中精确比分。它们捕捉到了“势均力敌”的轮廓，却没有给出可依赖的具体赛果。冠军选择还需要与加时/点球后的最终冠军单独对账，不能仅用 90 分钟比分替代。
中国模型与美国模型：这届赛事里看到的是什么
为了便于观察，把 DeepSeek V4 Pro、Qwen3.7 Plus 归为中国模型组，把 Claude Opus 4.8、Gemini 3.5 Flash、GPT-5.5 归为美国模型组。按模型—比赛观测值汇总后：
| 分组 | 模型—比赛样本 | 胜平负命中 | 平均总分 | 精确比分命中 | 给实际结果的平均概率 |
|---|---|---|---|---|---|
| 中国模型组 | 208 | 64.9% | 0.581 | 11.5% | 48.2% |
| 美国模型组 | 312 | 62.2% | 0.562 | 15.1% | 45.5% |
这组数据支持三个有限但清楚的观察。
第一，中国模型组在本次统一任务中更擅长押对胜平负，并且对最终发生结果分配的概率更高；这解释了为何总分领先。
第二，美国模型组的精确比分命中更多，主要来自 Claude Opus 4.8 与 GPT-5.5。它们的比分输出看上去更“尖”，但这种尖锐并没有在总分上转化为优势。
第三，这不是“中国模型普遍强于美国模型”的结论。原因很直接：样本只有一届世界杯、组内模型数量不同、模型版本和供应商接口不同，而且比分预测高度依赖提示词、温度、输出约束和赛前数据包质量。这里能说的是：在这套数据、这套提示与这 104 场比赛上，中国两款入选模型的平均结果更好；不能把它外推成国家或整个模型生态的排名。
真正该如何评价当前 AI 的体育预测能力
最合适的定位不是“预言家”，也不是“掷骰子的人”，而是受数据质量约束的比赛信息综合器。
它的长处是：把排名、近期状态、对阵史、阵容与伤停等公开信息压缩成一致的胜平负概率和可解释的判断；在本次样本中，这种综合优于简单的主场偏置。它是否优于市场共识，现有数据无法回答。
它的短处同样明确：它没有比赛现场信息，没有可靠的私有伤病情报，也没有因果模型来处理偶发事件；而且当前的通用大模型并不是专为概率预测训练的。分数越具体、比赛越接近、赛程越往后，这些限制越明显。
下一届应该怎样测得更严谨
本次 Arena 已经证明了统一赛前包和逐场存档是可行的。下一步应补足五件事：
- 增加冻结的传统基线：Elo、排名/近期战绩逻辑回归，以及去水后的开球前 1X2 市场隐含概率；
- 单独归档开球前的 1X2、亚洲让球和大小球盘口快照及来源时间；赔率仍不得进入模型输入，只能用于离线对照；
- 保存每条预测的不可变赛前时间戳、输入包哈希与模型参数，自动审计是否早于开球；
- 除当前得分外，增加 Brier score、对数损失、可靠性图、盘口胜率与 CLV，真正检验概率校准和市场增益；
- 跨多届赛事、联赛和赛季重复实验，再讨论模型、地区或架构层面的差异。
这届世界杯给出的结论应当更克制：AI 能把公开足球信息转化为优于简单主场偏置的方向性预测；但在没有赛前市场基线的情况下，不能声称它“更准”，更不能声称它战胜了盘口。它还不能替代专业模型、市场或人的持续数据工作。把它当作决策辅助和观点生成器是合理的，把它当作确定性答案或博彩依据则是不负责任的。
数据说明
- 线上结果来自 SportMonks 驱动的 Arena 结算数据；本复盘按平台展示的 104 场已结算赛果统计。
- 预测使用固定、可审计的赛前比赛包；不使用网页浏览与私有赔率。
- 传统博彩公司赛前 1X2、让球和大小球历史盘口未在 Arena 归档；本文不作“战胜传统盘口”的结论。Polymarket 的补充回测覆盖 70 场，且只代表开球前约一小时的预测市场价格。
- 所有百分比均按模型在已结算场次上的逐场记录计算；四舍五入可能造成末位差异。
- 本文讨论的是 Arena 的评测结果，不构成博彩建议。
