大模子圈，变天了。
2026 年 3 月 29 日，一份名为 FutureX 的全球动态评测榜单刷新了收货。北京中关村塾院信息智能团队自主研发的智能体系统 Milkyway，以 60.9 分的完全上风霸榜！
这个分数有多夸张？
手脚对比，由埃隆 · 马斯克（Elon Musk）旗下 xAI 打造、曾被委用厚望的 Grok-4，在这份榜单上仅拿到了 25.9 分。Milkyway 的得分是它的一倍还多（Grok-4 曾拿下该表情的首期冠军）。
陈天桥团队的 MiroFlow 框架（搭载 GPT-5 等），得分也高达 57.5 分。它在最难的 Level 4 依然能靠拢 50 分大关，对复杂概略情味的掌控力令东说念主咋舌。
智谱的 GLM-5-thinking 则拿到 37.3 分，深度求索的 DeepSeek-V3.2-thinking 拿下 31.2 分。阿里的千问 Qwen-3.5-plus-thinking 则拿到 26.9 分，位列第 17。
Grok-4 以 25.9 分排在第 18 位。马斯克曾公开断言："展望异日的智力，是对模子智能性最佳的测试。"
如今，这场对于"预言智力"的苛刻试真金不怕火，撕下了传统大模子靠"刷静态题库"营造的遮羞布。
谁在告捷预判实在全国？
往日几年，通盘前沿大模子在 MMLU、HumanEval 这些传统学术题库里，果真都能平缓刷出 90% 以上的高分。
但交易全国不需要作念题家。阛阓实在暖和的是：大模子能展望下周某款爆品的销量吗？能判断地缘博弈的走向吗？
一部分尖锐的顶尖团队如故交出了答卷。在 FutureX 如故公开的过往实战记载（FutureX-Past 数据集）中，记载了多量被 AI 智能体告捷拆解的实在全国考题：
比如微不雅交易。 AI 需要在 2025 年底，通过自主握取网页和历史数据，展望 Temu 好意思国区特定商户在 12 月 5 日的某款商品精确销量。
比如宏不雅方式。 AI 需要基于 NASA 的 Gistemp 数据，推演 12 月全球平均气温相较于历史基准期的偏差。
以至还有高度嘈杂的地缘政事与体育赛事。 展望谁能插足 2026 年 1 月葡萄牙总统选举的第二轮；展望墨西哥甲级联赛中，克雷塔罗足球俱乐部对阵蒂华纳的赛果。
面临这些问题，瞎蒙是莫得效的。系统必须像顶级谍报分析师相似，在全球碎屑化的蛛丝马迹中搜寻信号，过滤过错新闻，最终给出一个莫得模糊空间的谜底。
对错，全由执行全国来裁定。
AI告别开卷磨真金不怕火
为什么各大巨头当今都盯着 FutureX？因为它是实在的"闭卷实战"。
这个由字节最先 Seed 团队、斯坦福大学、复旦大学和普林斯顿大学等相聚发起的海外评测基准，透澈干掉了一个大模子舞弊的温床——数据浑浊。
以往的静态考题，模子在西宾时可能早就把谜底背下来了。但 FutureX 考的是尚未揭晓的异日事件。它每天从全球 195 个高质料信源中及时索求新考题，模子根蒂无从舞弊。
FutureX 接受的是"折叠式"评分逻辑，拆开模子靠蒙对浅薄的"是与否"来刷分。它大幅压缩了二元对立事件的数目，并将难度分为四个品级：
Level 1 是基础事件，权重仅占 10% 8。
Level 2 覆按有变量的趋势展望，占 20% 8。
Level 3（多步深度推理）与 Level 4（极高概略情味的宏不雅展望）手脚难点金钱，野心占了总分的 70%。
这就像是一张考卷，前边的采用题只占 30 分，百家乐剩下 70 分全是需要海量推演的压轴大题。
阶级固化与偏科大赏：各家大模子的苛刻折叠
在这种高压测试下，2026 年 3 月的实在榜单展现出了极其冰冷的时刻分化。
以被其他家反超的 Grok-4 为例，拆解 Grok-4 的收货单会发现一个致命短处：它在 Level 1 的浅薄任务里拿了 71.43 的高分，但在需要深度推理的 Level 3，得分却发生了断崖式下落，仅有 8.21 分。而以第三方 Agent 接入的基础模子 GPT5.2 更是惨烈，如同失去标的感的盲东说念主，仅得 10.3 分。
不外，总分拉胯不代表全盘齐输。为了更精确地揣测大模子的工业落地智力，FutureX 荒谬建造了"细分展望任务"（涵盖基础事件与条目极高精度的 FutureX-Pro 垂直范围），这奏凯显现了各家大模子的"偏科"体质：
政事与科技范围：擅长逻辑推理的 GPT-5 永别以 72% 和 68% 的准确率称霸，DeepSeek-R1 和 Claude-3.7 紧随自后。
体育赛事（高频动态博弈）：DeepSeek-R1 拔得头筹（64%），Claude-3.7（60%）排在次席。
金融（FutureX-Finance）：条目展望财报和宏不雅探究，漏洞必须截至在 5% 以内。GPT-5-high 和 Grok-4 在这里找回了主场，永别以 46.37 和 41.25 分领跑。
零卖（FutureX-Retail）：磨真金不怕火销量与供应链展望。Claude-Opus 和 Kimi-K2 展现出极强的"交易直观"，在评估概略情味的概率散播任务上得分最高。
全球卫生（FutureX-PublicHealth）：解读官方公报展望疾病探究。GPT-5-High 和 Kimi-K2-thinking 凭借极高的问题磨灭率占据榜首。
此外，字节的豆包（Seed1.6）和谷歌的 Gemini Deep Research也在各类高难度交叉分析榜单中稳居前四。
Milkyway 和 MiroMind 之是以能在空洞榜单上卓越这些"偏科"的算力怪兽，好意思妙不在于参数目，而在于" Harness 层（脚手架）"和"考据机制"的深度攻关。它们引入了 DAG（有向无环图）推理左券和双层考据器。浅薄来说，它们在模子里面建了一个"风控中台"，每搜索一条信息、每推理一步，都有机制在及时审计，强制纠错。
一个期间杀青了，新的契机正在起飞
FutureX 的榜单更替，不单是是一场时刻极客的狂欢，它向通盘创业者和平凡东说念主开释了一个热烈的信号：
第一，套壳聊天的期间杀青了。
大模子的价值不再是写几首诗、写几封邮件，而是走向" Action Engine（行径引擎）"。谁能帮企业在红海物流停摆前提前两周曲折供应链？谁能在金融阛阓里捕捉到狭窄的宏不雅信号？高价值的"意料力"才是下一步的真金白银。
第二，产业链的漏洞藏着大契机。
莫得哪一个模子大致通吃通盘细分范围。这恰是创业者的契机。搭建更优秀的智能体外壳（Agent Harness）、瞎想更抗侵犯的考据流、在特定垂直范围（如零卖销量、病理演变、区域地缘）投喂高质料的反应信号。
异日的赢家，不一定是领有最多 GPU 的东说念主，但一定是最懂如安在概略情味中确立规章、依从 AI 的东说念主。（本文首发钛媒体 App百家乐官网，作家｜硅谷 Technews，裁剪｜林深）
环球体育官网登录入口
备案号: