文章图片
文章图片
文章图片
文章图片
文章图片
你有没有想过 ， AI 不仅能记住过去的一切 ， 还能预见未知的未来？
想象一下 ， 让 AI 预测下周的股价、下个月的票房冠军、甚至下届世界杯的赢家……这听起来像科幻片 ， 但如今 ， 它已经成为现实中一场「极限挑战」 。
最近 ， 一场专门考验 AI「预言」能力的考试——FutureX 动态评测基准正式发布 。 它由字节跳动 Seed 团队联合斯坦福大学 Jose Blanchet 教授团队、复旦大学邱锡鹏教授团队、普林斯顿大学王梦迪教授团队共同打造 ， 让 Grok-4、GPT、Gemini 等模型齐聚预测未来的考场 。
论文标题：FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction 项目主页：https://futurex-ai.github.io/ 技术报告：https://huggingface.co/papers/2508.11987 数据：https://huggingface.co/datasets/futurex-ai/Futurex-Online
发布后 Elon Musk 转发 ， 并评价该任务为「智能的真正度量」 ， 推特浏览量过千万 。
不考「记忆」考「远见」 ， FutureX 是什么？
过去的 AI 评测 ， 总被诟病像「开卷默写」 。 题目是固定的 ， 答案是已知的 ， 提前「背好书」 ， 就能轻松拿高分 。 这更像一场记忆力竞赛 ， 而不是真正的智力考验 。
FutureX 则改变了这一逻辑——它让 AI 预测的是尚未发生的未来 ， 完全避免了数据污染／泄漏的可能 ， 可以真实反映 AI 智能体的规划、搜索、复杂推理决策等能力 。
每周 ， 系统会自动从全球 195 多个高质量信息源中 ， 筛选出 500 个新的预测任务 ， 涵盖经济、科技、体育等各个领域 。 从预测一部新电影的首周票房 ， 到判断一场关键体育赛事的胜者 ， 所有题目在 AI 作答时都没有「标准答案」 。
未来预测有多难？FutureX 的四层「进阶试炼」
预测未来从来不是简单的猜测 ， 而是对信息搜集、趋势分析、风险判断等综合能力的终极考验 。 FutureX 将任务划分为四个难度层级 ， 如同为 AI 智能体设置的「段位考核」：
这些任务并非凭空设计 ， 而是基于 195 个精选自 2000 多个网站的高质量信息源 ， 覆盖经济、科技、体育等多个领域 ， 完全对接真实世界的复杂场景 。
自动化评测体系 ， FutureX 是怎么构建的？
为了实现对未来事件的动态评估 ， FutureX 构建了一套完全闭环的自动化系统：
每天自动抓取值得预测的未来事件； 在事件发生之前调度 23 个主流 LLM/ 智能体进行预测； 在事件发生之后抓取事件结果进行评分 。
最新排行榜：谁在预测未来的赛道上领跑？
那么 ， 在这场史无前例的「未来考试」中 ， 谁拔得头筹？（数据统计自 7 月 20 日至 8 月 14 日）
核心发现：
Grok-4 暂时领跑 ， GPT 和 Gemini 紧随其后 。在所有模型中 ， Grok-4 的综合表现最为突出 ， 拔得头筹 。 紧随其后的是 GPT-4o-mini 和 Gemini-2.5-flash Deep Research 。 字节跳动Seed系列模型也展现了不俗的实力 。
AI 智能体距离人类专家仍有差距 。表现最好的 Grok-4 在 L4（高波动开放任务）上的准确率只有不到 20% ， 大部分 agents 的准确率只有不到 10% ， 仍明显落后于人类预测 。
预测未来是推理和搜索的结合 。在简单选择题上 ， 不依赖工具的基础 LLM 表现惊人 ， 比如 DouBao-Seed1.6-Thinking 甚至超过部分带搜索功能的智能体；但到了复杂任务 ， 能实时调用工具的智能体优势立刻显现 ， 说明「联网搜索」是 AI 应对复杂预测的必备技能 。
AI 的「神预言」vs「马后炮」：差距有多大？
为了搞清楚「预测」到底比「搜索」难多少 ， 研究团队做了一个对比实验：
事前预测（神预言模式）： 在事件发生前 ， 预测结果 。 事后搜索（马后炮模式）： 在事件发生后 ， 去网上查找并回答结果 。
结果发现：Grok-4 在开启「马后炮模式」时 ， 凭借强大的搜索能力 ， 准确率可以轻松达到很高的水平 。 然而 ， 一旦切换到「神预言模式」 ， 准确率便断崖式下跌 。
这个对比一针见血地指出：搜索信息只是 AI 的基本功 ， 真正的难点在于如何在信息不完整、充满不确定性的情况下 ， 进行高质量的推理和判断 。 这才是「预测」的精髓 ， 也是 AI 最需要突破的瓶颈 。
解密未来预测：AI 需要练好哪些「内功」？
为什么预测未来如此之难？研究发现 ， 三大核心能力至关重要：
工具调用质量： 能否精准、高效地使用搜索等工具 。 搜索来源可靠性： 能否从海量信息中辨别真伪 ， 找到关键信源 。 推理规划全面性： 能否像人类专家一样 ， 构建全面、严谨的逻辑链条 。
简单来说 ， 强大的搜索力和思考力缺一不可 。 这正是 FutureX 希望推动 AI 发展的核心方向 。
未来已来：推动 AI 从「已知」走向「未知」
FutureX 的探索仅仅是一个开始 。 我们的研究揭示了当前 AI 智能体在迈向真正实用的道路上 ， 必须克服的核心挑战：如何在信息爆炸、充满不确定性的真实世界中 ， 像人类专家一样进行思考、推理和决策 。
我们坚信 ， FutureX 有潜力成为推动 LLM 智能体发展的关键引擎 。 通过提供一个公平、动态且极具挑战性的评估平台 ， 我们希望能激励学术界和工业界的研究者们 ， 共同开发出能够在高风险、高复杂度真实场景中 ， 比肩甚至超越人类顶尖分析师的下一代 AI 智能体 。
周赛开启：一起来可靠评测 Agent
【AI智能体是否能预测未来？字节跳动seed发布FutureX动态评测基准】每周题目发布于https://huggingface.co/datasets/futurex-ai/Futurex-Online ， 预测提交截止为每周三晚 23:59 。 欢迎阅读我们的技术报告 ， 与我们一同探索 AI 的未来 。
推荐阅读
- 告别“信息裸奔”时代 国家网络身份认证体系正式上线
- 提升全面，右手对称鼠标新标杆！体验雷柏VT7系列双模双高速游戏鼠标
- 华为超过苹果！智能手表市场的王座，首次换了主人
- 国产手机集体跟风苹果惹怒网友，还是直接买iPhone17好！
- Salesforce推出智能体\飞行模拟器\应对95%企业AI项目失败困境
- Agent实效竞赛正式打响！百度智能云在服务营销、工业赛道先各下一城
- 从RGB-Mini LED电视到智能家居，中国力量即将亮相IFA 2025
- 人工智能赋能千行百业 数博会秀智慧应用
- 韩媒：几乎所有半导体技术，中国全面超过韩国，成全球第2了
- 百度沈抖：云智一体，智能优先