一个提前15天预测黄金价格，误差仅0.08%。

另一个在全球预测排行榜上，以 Elo 1034.2 分碾压 GPT-5.2、Claude-4.6-Opus，拿下第一。

大模型正在从「帮你写」，进化到「帮你判断」。

Echo：「面向未来训练」 的大模型

Echo 是 UniPat AI 和北京大学联合推出的预测大模型——一个全栈预测智能系统。

它的核心能力不是生成文本，也不是画图写代码，而是：

预测未来。

不是占卜，不是猜测，而是基于证据、推理、概率分布，给出结构化的预测报告。

更反常识的是它的训练方式——「在未来的数据上训练」。

---

Echo 的三大支柱

Echo 不是单一模型，而是一个完整的预测系统，围绕核心模型 EchoZ-1.0 构建，包含三大组件：

1. General AI Prediction Leaderboard（通用AI预测排行榜）

这是一个动态评估引擎，用来评估模型的预测能力。

为什么要单独做一个排行榜？

现有的预测基准有两个致命缺陷：

• • 时间不对称性：

• 临近事件解决时，信息更丰富，早期预测更难。

• 一个在事件发生前 7 天预测的模型，和一个在事件发生前 1 天预测的模型，难度完全不同。直接比较它们的准确率是不公平的。

• • 问题来源单一：

• 现有基准过度依赖预测市场（如 Polymarket），忽视了专业领域（科学、工程、医学）和新兴话题。

Leaderboard 如何解决？

它采用了一个「多时点对齐的 Elo 框架」：

• • 只在同一问题、同一预测时点比较模型

• • 使用 Brier Score（布赖尔分数）评估预测质量

• • 通过 Bradley-Terry 模型和最大似然估计计算 Elo 评分

Leaderboard 构建了一个三阶段流程，以实现公平且可扩展的预测评估。

首先，它从三个互补的数据源获取问题，以确保覆盖面广。

其次，它在每个问题的生命周期内安排预测样本的优先级。

最后，评估过程被设计成两两对决，并采用全局 Elo 式优化算法生成最终排行榜。

该算法强调稳健性、可靠性、速度、多样性和灵活性。

评估指标的优势：

指标	表现
鲁棒性	在缺失预测时点下，Elo 排名波动比平均 Brier Score 低 1.4–1.8 倍
可靠性	移除部分模型后，排名一致性高达 0.978–0.994
快速收敛	新模型加入后，Elo 排名在 5.4 天收敛，比平均 Brier 快 2.7 倍
多样性	覆盖政治、经济、体育、加密货币等 7 大领域
灵活性	支持自由提交预测，无需固定时间表

数据从哪里来？

Leaderboard 从三个来源采集数据：

1. 1. 预测市场：如 Polymarket

2. 2. 趋势合成：基于 Google Trends 和网络爬虫

3. 3. 专家标注：科学、工程、医学等领域的专业问题

Echo 的题库涵盖 7 个领域：

政治与治理、经济与金融、体育与娱乐、科学与环境、加密货币与数字资产、电子竞技与游戏以及其他。

每天都会添加新问题，以确保基准测试能够持续涵盖正在发生的现实世界事件。

各领域的分布情况如下：

如何调度预测？

它采用一个「两阶段预测调度算法」：

• • Phase 1：根据问题生命周期，按对数函数估算预测点数（Ti = round(1.35·ln(Di) + 0.5)）

• • Phase 2：基于优先级分数（Si = Wi·Ri/Di'）选择每日预测问题

---

2. Train-on-Future（面向未来上训练）

这是 Echo 的核心创新。

传统模型的训练方式是 Train-on-Past——在历史数据上训练，让模型学习过去的模式。

但预测任务有个特殊情况：历史数据里藏着答案。

Train-on-Past 的两个缺陷：

• • 工程悖论：无法完全屏蔽历史答案泄露。模型可能「偷看」到了结果，而不是学会了推理。

• • 结果导向偏差：模型容易过拟合噪声事件，学会了「事后诸葛亮」，而不是前瞻推理。

Train-on-Future 如何解决？

它采用三大机制：

机制一：动态问题合成

基于实时数据流生成未来事件问题，避免数据泄露。

问题不是从历史数据库里提取的，而是从实时数据流中合成的。这些问题在未来才会解决，所以模型无法「偷看」答案。

机制二：规则搜索（Rubrics Search）

为每个领域搜索最佳评分规则，使模型排名与真实 Elo 排名一致。

预测轨迹会按多个维度评分，比如：

• • 解析解决标准

• • 区分修辞与执行

• • 主要机构来源验证

• • 程序约束评估

这些维度不是人工设计的，而是通过 Spearman's ρ 最大化 自动搜索出来的——让规则排名与 Elo 排名一致。

机制三：Map-Reduce 智能体架构

基于 ReAct（Reasoning-Acting）框架，模型通过多步推理生成预测：

• • Map 阶段：将宏观问题分解为子任务，并行收集信息

• • Reduce 阶段：聚合多源信息，输出合成概率决策

这就像一个研究团队：有人负责收集数据，有人负责分析，最后汇总形成结论。

---

3. AI-native Prediction API（AI原生预测接口）

这是 Echo 的应用层。

输入一个结构化的预测问题，返回完整的分析报告，包括：

• • 概率分布：不是单一答案，而是候选答案的概率分布

• • 证据库：支持结论的证据来源

• • 反事实脆弱性评估：什么情况下预测会逆转

• • 监控建议：应该关注哪些时间节点

示例输出（摘要）：

领域	预测问题	结论	概率
金融	NVIDIA 在 2026年3月31日是否为全球最大市值公司	是	0.98
政治	伊利诺伊州共和党初选胜者	Darren Bailey	0.999
加密货币	ETH 是否在3月31日前创历史新高	否	0.99
体育	NBA 西部第一种子	Oklahoma City Thunder	0.899
电子游戏	GTA VI 新预告片是否在3月发布	否	0.96

报告质量特征：

• • 证据粒度：每份报告包含 4–6 条分类证据

• • 概率严谨性：基于数学约束和市场共识

• • 反事实完整性：明确逆转场景

• • 可操作监控：具体时间戳监控项

---

Echo 的性能如何？

参数敏感性测试：

Elo 排名在 σ∈[0.01, 0.50] 范围内稳定，EchoZ 始终排名第一。

胜率对比人类市场：

在政治领域、长期预测、市场不确定场景下，Echo 都超越了人类市场预测。

在 Echo 的官网上展示了它对未来一些问题的预测，有兴趣的可以去验证：

像上图中的第二个问题：

2026年4月1日美国东部时间中午12点，比特币的价格会超过6万美元吗？

总结：Echo

Echo 不是单一的技术突破，而是三层能力的整合：

1. 1. 评估层：General AI Prediction Leaderboard 解决了预测评估的时间不对称性和来源单一性。

3. 2. 训练层：Train-on-Future 范式避免了历史答案泄露和结果导向偏差。

5. 3. 应用层：AI-native Prediction API 提供了结构化、可解释的预测报告。

它提出了一个新的研究方向：

大模型的价值不只是生成内容，而是推理未来。

预测的核心不是信息量，而是推理过程的严谨性。

证据从哪里来？如何权衡？概率如何计算？在什么情况下会逆转？

Echo 的解法是：

用未来的数据训练，用推理的过程预测，用结构化的报告交付。

下面我们来看另外一个预测未来的大模型。

MiroThinker 不追求速度，追求可验证

MiroThinker 是陈天桥投资的 MiroMind 团队推出的推理大模型，最新版本为 MiroThinker-1.7 和 MiroThinker-H1。

MiroThinker-1.7 系列发布即霸榜多项深度研究任务测试。

MiroThinker-H1 刷新 SOTA，超越 Gemini-3.1-Pro、GPT-5.4-Thinking、Claude-4.6-Opus 等一众行业顶尖闭源模型：

• BrowseComp（网页检索类大模型基准测试）：88.2%

• BrowseComp-ZH（BrowseComp 的中文适配版本）：84.4%

• GAIA-Val-165（GAIA 基准测试验证集）：88.5%

• HLE-Text（人类终极测试）：47.7%

另外开源模型 MiroThinker-1.7（235B）和小尺寸的 MiroThinker-1.7-mini（30B）也在效率与性能之间达到了最优平衡。

新模型不仅通用任务强，在科技金融等专业领域同样表现亮眼。

它跳出了传统 LLM 聊天交互的范畴，转而能够承担起真实的长链条智力任务。

而这是以牺牲模型推理速度为代价的。

当其它大模型厂商都在卷速度，MiroThinker 系列专为复杂长期任务而生，结果 V1.5 大获全胜、V1.7 再度突破。

下面介绍它的战绩。

预测赛车结果、黄金价格

F1 上海站正赛预测

众所周知，受赛车性能、车手状态、环境因素影响，F1 比赛结果预测难度相当之高。

这就非常考验模型实时抓取信息、综合判断多方面因素的能力。

测试团队在比赛前 2 小时、比赛中 1 小时、比赛最后半小时三个关键时间节点，分别让 MiroThinker 实时预测排名情况，并与真实结果进行比对。

赛前 2 小时：

在即将举办的 F1 上海站上，对选手排名进行预测。

预测结果如何暂且不提，光论推理过程和答案的详实程度，就已经遥遥领先。

仔细看模型思考过程，MiroThinker 建立起一条极为完整的信息搜索路径，包括比赛策略、车队实力情况、潜在变数等：

确认正赛时间和地点 → 收集最新的上海站排位赛、冲刺赛以及当前赛季情况辅助 → 从规则变化到天气情况逐步细化 → 汇总给出合理预测。

其中每一步都在反复验证，以确保后续推理的可靠性。

至于最终给出的赛前预测也很全面，先是直接甩出核心结论一目了然，预测梅赛德斯大获全胜、法拉利紧随、迈凯伦和红牛位列第二梯队。

然后给出简要的预测逻辑以及观赛建议，用户体验感拉满。

值得一提的是，MiroThinker 还支持一键生成网页报告。就这排版这审美，妥妥的打工人福音。

测试团队也将该问题同时交给 ChatGPT、Gemini 和 DeepSeek 进行预测：

ChatGPT：回答相对简略，对影响变量和预测理由描述较少。

Gemini：亮点是除了列举选手排名，还提供赛事核心看点，但在整个答案的完整度上还是 MiroThinker 占优。

DeepSeek：预测结果只关注到了选手历史成绩和车辆情况，考虑得不够深入。

反观 MiroThinker，它是所有模型中，唯一关注到当前天气状况的推理大模型，足以证明其专业度。

提前 15 天预测黄金价格

2026 年 2 月 25 日，测试团队问 MiroThinker：2026 年 2 月 25 日的黄金价格（XAU/USD）会是多少？

模型当时预测金价是 $5185/oz，实际 Fortune 报价 $5181，150 Currency 报价 $5185.89，CME GCG26 收盘价为 $5206.40，误差仅为 0.08%（$4），保持在合理误差范围之内。

综合来看，无论是短期的通用场景预测，还是中长期的专业场景预估，MiroThinker 都能做到有理有据，实际结果与模型预测高度吻合，且思考过程全部清晰可见。

虽然它还没有做到像其它模型一样秒出答案，需要一到两分钟的等待时间，但在答案完整度和逻辑链上已经是不在一个层级，足以应对绝大多数真实推理任务。

并非简单做加法，而是精准 Scaling

为什么 MiroThinker 能够做到这一点？

还要说回模型的核心技术突破——重型求解器（heavy-duty solver）。

当前行业内要提升推理深度，普遍采用的方案是通过强化学习将模型 CoT 运算时间延长，这类优化后的模型在数学、编程等领域表现突出。

而 MiroThinker-1.7 不仅仅是延长思考时间，更是强调模型的可验证性和有效交互。具体表现在两项关键技术升级上：

① 升级智能体原生训练

MiroMind 注意到一个现象，如果模型每一步决策本身就质量不高，即使让模型完成更多轮的交互，最终结果也只是在放大低质量决策。

所以提升推理性能的关键不是交互次数的叠加，而是专注增强每一步的质量，也就是提升模型的智能体原生能力（agent-native competence），包括三步：

规划更可靠： 一开始就把问题拆对、把路选对。

推理更准确：每一步判断都经得起验证和反思。

长程不走偏：在复杂任务中始终对齐最终目标。

为此，MiroThinker-1.7 在训练过程中新增了一个 mid-training（中期训练）阶段。

借助大规模的高质量任务数据，重点训练模型的规划、推理和总结能力，使其建立起更强的 Agent 基础能力。

比如目标分解、选择合适的工具调用、理解工具返回结果、整合生成最终答案。

同时该阶段也扩大了模型的通用性。

在此基础之上，还会加入 SFT（监督微调）、DPO（偏好优化）、RL（强化学习）进一步将 Agent 能力内化，实现长时任务稳定推理。

② 以验证为核心的重型推理模式

然而，要提升单步推理质量，也不能仅仅依靠模型自身的 Agent 推理能力，还需要引入验证器加以约束，可分为局部验证和全局验证：

局部验证：

 在推理的每一步，系统都会停下来自我审查。

只有通过了局部验证，系统才会允许继续探索该条路径。

在一定程度上，局部验证能够打破传统 AI 的概率偏置，找到也许当下瞬时概率较低但实则最正确的路径。

全局验证：

 在系统生成了几条完整的推理路径后，模型会回溯整条数据链，确保最终答案是推理环节最严密的，而不是语义最流畅、看似逻辑自洽的。

总的来说，前者显著增强智能体原生能力，后者提升交叉验证可信度，二者深度融合，让模型在面对复杂推理问题时能够表现出精准可验证的交互潜力。

一个反直觉现象

另外值得关注的是，MiroMind 还观察到一个「反直觉」现象：在引入验证机制后，模型交互步骤数量明显减少。

按照常规逻辑，往往步数越多、思考越久，模型性能就越强，即 Heavy-duty（重型）。

而该现象则说明验证器在这里充当的还有过滤器的作用，能够帮助模型及时筛除掉没有信息增益的步骤，将算力集中分配到真正推动问题求解的环节上。

虽然总步数减少了，但每一步包含的逻辑推理质量更高了，整个推理过程变得高效且精密。这就引出了 MiroThinker 系列模型的核心理念——扩展有效交互。

抓住交互关键，「慢」也能弯道超车

从 V1.5 到 V1.7，模型的每一次迭代都能产生行之有效的结果，这未尝不是对 MiroThinker 交互理念的有力验证。简单来说，MiroThinker 强调慢下来、想更多。

虽然通过增加对话次数、工具调用，能够非常直观迅速地刷新基准测试分数，但一旦中间步骤错误，错误就会像滚雪球一样累积，直至系统彻底崩溃。

而「慢」推理不追求秒回，而是在行动前暂停、验证、权衡，确保在当前复杂场景下推得深、推得对。

这种看似不讨巧的选择，反而成就了 MiroThinker 在大模型市场中独树一帜的风格——不急于给出答案，而是专注求证问题背后的深层逻辑。

在算力约束与复杂任务的博弈中，MiroThinker 没有盲目堆砌算力，而是更像一位深谙最优路径的理科生，精打细算将算力落在该去的地方。

结果也很显而易见，只要踏实做好有效交互，慢也不等同于落后，反倒是助力 LLM 走向真实物理世界更扎实。

所以我去测试了一个问题：

美以伊战争会如何走向，它对全球的经济、黄金、A股会有什么影响？

经过它的搜索资料，推理，再搜集资料，再推理，总结如下：

你可以点击这个地址查看最终推理的结果：

https://dr.miromind.ai/report/share/eOHyjeG4tTkAL6Dj

这两款模型目前都已经对外开放：

• Echo，提供预测问题和排行榜，提供API，没有对话框。
  

• https://echo.unipat.ai

• MiroThinker：提供对话式推理，可以提问预测。
  

• https://dr.miromind.ai，

它们不是水晶球，预测结果不能作为投资建议。

它们提供了一种新的决策辅助方式：给你一个完整的推理过程和证据链。

预测的核心不是信息量，是推理过程的严谨性。

如果有希望大模型能预测，你希望问什么问题？

欢迎评论区留言。

-END-

15 分钟上线｜开源克隆网站 + 一键部署，搭建你自己的产品

AI 不是在抢我的工作：Harness 正在重构软件工程｜让 Agent 完成任何复杂任务

效率提升 10 倍｜OpenClaw + OpenCLI 实战体验

给 OpenClaw 接入10000+工具和数据，为你盯盘，给出独家策略

让你的OpenClaw替你打工：从0到1跑通小红书运营全流程（实战教程）

谷歌提示工程白皮书｜Google Prompt Engineering White-paper