大模型圈，變天了。

近日，一份名為FutureX的全球動態(tài)評測榜單刷新了成績。北京中關(guān)村學(xué)院信息智能團(tuán)隊自主研發(fā)的智能體系統(tǒng)Milkyway，以60.9分的絕對優(yōu)勢霸榜！

這個分?jǐn)?shù)有多夸張？

作為對比，由埃隆·馬斯克（Elon Musk）旗下xAI打造、曾被寄予厚望的Grok-4，在這份榜單上僅拿到了25.9分。Milkyway的得分是它的一倍還多（Grok-4曾拿下該項目的首期冠軍）。

陳天橋團(tuán)隊的MiroFlow框架（搭載GPT-5等），得分也高達(dá)57.5分。它在最難的Level 4依然能逼近50分大關(guān)，對復(fù)雜不確定性的掌控力令人驚嘆。

智譜的GLM-5-thinking則拿到37.3分，深度求索的DeepSeek-V3.2-thinking拿下31.2分。阿里的千問Qwen-3.5-plus-thinking則拿到26.9分，位列第17。

Grok-4以25.9分排在第18位。馬斯克曾公開斷言：“預(yù)測未來的能力，是對模型智能性最好的測試。”

如今，這場關(guān)于“預(yù)言能力”的殘酷試煉，撕下了傳統(tǒng)大模型靠“刷靜態(tài)題庫”營造的遮羞布。

過去幾年，所有前沿大模型在MMLU、HumanEval這些傳統(tǒng)學(xué)術(shù)題庫里，幾乎都能輕松刷出90%以上的高分。

但商業(yè)世界不需要做題家。市場真正關(guān)心的是：大模型能預(yù)測下周某款爆品的銷量嗎？能判斷地緣博弈的走向嗎？

一部分敏銳的頂尖團(tuán)隊已經(jīng)交出了答卷。在FutureX已經(jīng)公開的過往實(shí)戰(zhàn)記錄（FutureX-Past數(shù)據(jù)集）中，記錄了大量被AI智能體成功拆解的真實(shí)世界考題：

比如微觀商業(yè)。AI需要在2025年底，通過自主抓取網(wǎng)頁和歷史數(shù)據(jù)，預(yù)測Temu美國區(qū)特定商戶在12月5日的某款商品精準(zhǔn)銷量。

比如宏觀氣候。AI需要基于NASA的Gistemp數(shù)據(jù)，推演12月全球平均氣溫相較于歷史基準(zhǔn)期的偏差。

甚至還有高度嘈雜的地緣政治與體育賽事。預(yù)測誰能進(jìn)入2026年1月葡萄牙總統(tǒng)選舉的第二輪；預(yù)測墨西哥甲級聯(lián)賽中，克雷塔羅足球俱樂部對陣蒂華納的賽果。

面對這些問題，瞎蒙是沒有用的。系統(tǒng)必須像頂級情報分析師一樣，在全球碎片化的蛛絲馬跡中搜尋信號，過濾虛假新聞，最終給出一個沒有模糊空間的答案。

對錯，全由現(xiàn)實(shí)世界來裁定。

為什么各大巨頭現(xiàn)在都盯著FutureX？因?yàn)樗钦嬲摹伴]卷實(shí)戰(zhàn)”。

這個由字節(jié)跳動Seed團(tuán)隊、斯坦福大學(xué)、復(fù)旦大學(xué)和普林斯頓大學(xué)等聯(lián)合發(fā)起的國際評測基準(zhǔn)，徹底干掉了一個大模型作弊的溫床——數(shù)據(jù)污染。

以往的靜態(tài)考題，模型在訓(xùn)練時可能早就把答案背下來了。但FutureX考的是尚未揭曉的未來事件。它每天從全球195個高質(zhì)量信源中實(shí)時提取新考題，模型根本無從作弊。

FutureX采用的是“折疊式”評分邏輯，拒絕模型靠蒙對簡單的“是與否”來刷分。它大幅壓縮了二元對立事件的數(shù)量，并將難度分為四個等級：

Level 1是基礎(chǔ)事件，權(quán)重僅占10% 8。

Level 2考察有變量的趨勢預(yù)測，占20% 8。

Level 3（多步深度推理）與Level 4（極高不確定性的宏觀預(yù)測）作為難點(diǎn)資產(chǎn)，合計占了總分的70%。

這就像是一張考卷，前面的選擇題只占30分，剩下70分全是需要海量推演的壓軸大題。

在這種高壓測試下，2026年3月的真實(shí)榜單展現(xiàn)出了極其冰冷的技術(shù)分化。

以被其他家反超的Grok-4為例，拆解Grok-4的成績單會發(fā)現(xiàn)一個致命弱點(diǎn)：它在Level 1的簡單任務(wù)里拿了71.43的高分，但在需要深度推理的Level 3，得分卻發(fā)生了斷崖式下跌，僅有8.21分。而以第三方Agent接入的基礎(chǔ)模型GPT5.2更是慘烈，如同失去方向感的盲人，僅得10.3分。

不過，總分拉胯不代表全盤皆輸。為了更精準(zhǔn)地衡量大模型的工業(yè)落地能力，F(xiàn)utureX專門設(shè)立了“細(xì)分預(yù)測任務(wù)”（涵蓋基礎(chǔ)事件與要求極高精度的FutureX-Pro垂直領(lǐng)域），這直接暴露了各家大模型的“偏科”體質(zhì)：

政治與科技領(lǐng)域：擅長邏輯推理的GPT-5分別以72%和68%的準(zhǔn)確率稱霸，DeepSeek-R1和Claude-3.7緊隨其后。

體育賽事（高頻動態(tài)博弈）：DeepSeek-R1拔得頭籌（64%），Claude-3.7（60%）排在次席。

金融（FutureX-Finance）：要求預(yù)測財報和宏觀指標(biāo)，誤差必須控制在5%以內(nèi)。GPT-5-high和Grok-4在這里找回了主場，分別以46.37和41.25分領(lǐng)跑。

零售（FutureX-Retail）：考驗(yàn)銷量與供應(yīng)鏈預(yù)測。Claude-Opus和Kimi-K2展現(xiàn)出極強(qiáng)的“商業(yè)直覺”，在評估不確定性的概率分布任務(wù)上得分最高。

公共衛(wèi)生（FutureX-PublicHealth）：解讀官方公報預(yù)測疾病指標(biāo)。GPT-5-High和Kimi-K2-thinking憑借極高的問題覆蓋率占據(jù)榜首。

此外，字節(jié)的豆包（Seed1.6）和谷歌的Gemini Deep Research也在各類高難度交叉分析榜單中穩(wěn)居前四。

Milkyway和MiroMind之所以能在綜合榜單上超越這些“偏科”的算力怪獸，秘密不在于參數(shù)量，而在于“Harness層（腳手架）”和“驗(yàn)證機(jī)制”的深度攻關(guān)。它們引入了DAG（有向無環(huán)圖）推理協(xié)議和雙層驗(yàn)證器。簡單來說，它們在模型內(nèi)部建了一個“風(fēng)控中臺”，每搜索一條信息、每推理一步，都有機(jī)制在實(shí)時審計，強(qiáng)制糾錯。

FutureX的榜單更迭，不僅僅是一場技術(shù)極客的狂歡，它向所有創(chuàng)業(yè)者和普通人釋放了一個強(qiáng)烈的信號：

第一，套殼聊天的時代結(jié)束了。

大模型的價值不再是寫幾首詩、寫幾封郵件，而是走向“Action Engine（行動引擎）”。誰能幫企業(yè)在紅海物流停擺前提前兩周調(diào)整供應(yīng)鏈？誰能在金融市場里捕捉到微弱的宏觀信號？高價值的“預(yù)見力”才是下一步的真金白銀。

第二，產(chǎn)業(yè)鏈的縫隙藏著大機(jī)會。

沒有哪一個模型能夠通吃所有細(xì)分領(lǐng)域。這正是創(chuàng)業(yè)者的機(jī)會。搭建更優(yōu)秀的智能體外殼（Agent Harness）、設(shè)計更抗干擾的驗(yàn)證流、在特定垂直領(lǐng)域（如零售銷量、病理演變、區(qū)域地緣）投喂高質(zhì)量的反饋信號。

未來的贏家，不一定是擁有最多GPU的人，但一定是最懂如何在不確定性中建立規(guī)則、馴服AI的人。