大模型圈，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成绩。北京中关村学院信息智能团队自主研发的智能体系统 Milkyway，以 60.9 分的绝对优势霸榜！

这个分数有多夸张？

作为对比，由埃隆 · 马斯克（Elon Musk）旗下 xAI 打造、曾被寄予厚望的 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 曾拿下该项目的首期冠军）。

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 依然能逼近 50 分大关，对复杂不确定性的掌控力令人惊叹。

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：" 预测未来的能力，是对模型智能性最好的测试。"

如今，这场关于 " 预言能力 " 的残酷试炼，撕下了传统大模型靠 " 刷静态题库 " 营造的遮羞布。

谁在成功预判真实世界？

过去几年，所有前沿大模型在 MMLU、HumanEval 这些传统学术题库里，几乎都能轻松刷出 90% 以上的高分。

但商业世界不需要做题家。市场真正关心的是：大模型能预测下周某款爆品的销量吗？能判断地缘博弈的走向吗？

一部分敏锐的顶尖团队已经交出了答卷。在 FutureX 已经公开的过往实战记录（FutureX-Past 数据集）中，记录了大量被 AI 智能体成功拆解的真实世界考题：

比如微观商业。  AI 需要在 2025 年底，通过自主抓取网页和历史数据，预测 Temu 美国区特定商户在 12 月 5 日的某款商品精准销量。

比如宏观气候。  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。

甚至还有高度嘈杂的地缘政治与体育赛事。  预测谁能进入 2026 年 1 月葡萄牙总统选举的第二轮；预测墨西哥甲级联赛中，克雷塔罗足球俱乐部对阵蒂华纳的赛果。

面对这些问题，瞎蒙是没有用的。系统必须像顶级情报分析师一样，在全球碎片化的蛛丝马迹中搜寻信号，过滤虚假新闻，最终给出一个没有模糊空间的答案。

对错，全由现实世界来裁定。

AI告别开卷考试

为什么各大巨头现在都盯着 FutureX？因为它是真正的 " 闭卷实战 "。

这个由字节跳动 Seed 团队、斯坦福大学、复旦大学和普林斯顿大学等联合发起的国际评测基准，彻底干掉了一个大模型作弊的温床——数据污染。

以往的静态考题，模型在训练时可能早就把答案背下来了。但 FutureX 考的是尚未揭晓的未来事件。它每天从全球 195 个高质量信源中实时提取新考题，模型根本无从作弊。

FutureX 采用的是 " 折叠式 " 评分逻辑，拒绝模型靠蒙对简单的 " 是与否 " 来刷分。它大幅压缩了二元对立事件的数量，并将难度分为四个等级：

Level 1  是基础事件，权重仅占 10% 8。

Level 2  考察有变量的趋势预测，占 20% 8。

Level 3（多步深度推理）与 Level 4（极高不确定性的宏观预测）作为难点资产，合计占了总分的 70%。

这就像是一张考卷，前面的选择题只占 30 分，剩下 70 分全是需要海量推演的压轴大题。

阶层固化与偏科大赏：各家大模型的残酷折叠

在这种高压测试下，2026 年 3 月的真实榜单展现出了极其冰冷的技术分化。

以被其他家反超的 Grok-4 为例，拆解 Grok-4 的成绩单会发现一个致命弱点：它在 Level 1 的简单任务里拿了 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跌，仅有 8.21 分。而以第三方 Agent 接入的基础模型 GPT5.2 更是惨烈，如同失去方向感的盲人，仅得 10.3 分。

不过，总分拉胯不代表全盘皆输。为了更精准地衡量大模型的工业落地能力，FutureX 专门设立了 " 细分预测任务 "（涵盖基础事件与要求极高精度的 FutureX-Pro 垂直领域），这直接暴露了各家大模型的 " 偏科 " 体质：

政治与科技领域：擅长逻辑推理的 GPT-5 分别以 72% 和 68% 的准确率称霸，DeepSeek-R1 和 Claude-3.7 紧随其后。

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）：要求预测财报和宏观指标，误差必须控制在 5% 以内。GPT-5-high 和 Grok-4 在这里找回了主场，分别以 46.37 和 41.25 分领跑。

零售（FutureX-Retail）：考验销量与供应链预测。Claude-Opus 和 Kimi-K2 展现出极强的 " 商业直觉 "，在评估不确定性的概率分布任务上得分最高。

公共卫生（FutureX-PublicHealth）：解读官方公报预测疾病指标。GPT-5-High 和 Kimi-K2-thinking 凭借极高的问题覆盖率占据榜首。

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 之所以能在综合榜单上超越这些 " 偏科 " 的算力怪兽，秘密不在于参数量，而在于 "Harness 层（脚手架）" 和 " 验证机制 " 的深度攻关。它们引入了 DAG（有向无环图）推理协议和双层验证器。简单来说，它们在模型内部建了一个 " 风控中台 "，每搜索一条信息、每推理一步，都有机制在实时审计，强制纠错。

一个时代结束了，新的机会正在升起

FutureX 的榜单更迭，不仅仅是一场技术极客的狂欢，它向所有创业者和普通人释放了一个强烈的信号：

第一，套壳聊天的时代结束了。

大模型的价值不再是写几首诗、写几封邮件，而是走向 "Action Engine（行动引擎）"。谁能帮企业在红海物流停摆前提前两周调整供应链？谁能在金融市场里捕捉到微弱的宏观信号？高价值的 " 预见力 " 才是下一步的真金白银。

第二，产业链的缝隙藏着大机会。

没有哪一个模型能够通吃所有细分领域。这正是创业者的机会。搭建更优秀的智能体外壳（Agent Harness）、设计更抗干扰的验证流、在特定垂直领域（如零售销量、病理演变、区域地缘）投喂高质量的反馈信号。

未来的赢家，不一定是拥有最多 GPU 的人，但一定是最懂如何在不确定性中建立规则、驯服 AI 的人。（本文首发钛媒体 App，作者｜硅谷 Technews，编辑｜林深）