西班牙夺冠了，AI 押中了吗？——WC2026-Agents 赛果追踪

7 月 19 日，2026 年世界杯决赛落幕：西班牙 1:0 战胜阿根廷，捧起冠军奖杯。今山海此前介绍的 WC2026-Agents 研究，恰好完整记录了四个前沿大模型对全部 104 场比赛的逐场预测。现在答案可以揭晓了：方向上，四个模型都“看好”西班牙；但真到了要拿(虚拟)真金白银下注的时候，只有一个敢押。

决赛夜：概率都给了西班牙，钱只跟了一家

研究者在赛前 24 小时向四个模型(Claude Opus 4.8、ChatGPT GPT-5.5、Gemini 3.1 Pro、Grok 专家模式)提出同一个问题：给出胜/平/负的概率分布，并决定把多少虚拟美元押在哪个结果上。

决赛这道题，四家的答案惊人地一致：

• Claude：西班牙胜 44%，平局 31%，阿根廷胜 25%——弃注；
• ChatGPT：西班牙胜 44%，平局 31%，阿根廷胜 25%——弃注；
• Grok：西班牙胜 42%，平局 31%，阿根廷胜 27%——押 40 美元西班牙，命中；
• Gemini：西班牙胜 35%，平局 35%，阿根廷胜 30%——押 100 美元平局，落空。

同一份“看好”，四种做法。这正是该研究最核心的发现：四个模型在 92% 的比赛中首选完全相同，预测层面几乎无法区分；真正拉开差距的是决策——整个赛事下来，虚拟投注收益率从 Claude 的 -18% 到 Grok 的 +10% 不等。

夺冠之路：八场对了七场，唯一集体失手是半决赛

把西班牙的八场比赛单独拎出来，模型的“方向感”其实不错：

• 小组赛三战(佛得角、沙特、乌拉圭)，四家全部把西班牙列为最可能赢家，其中首战 0:0 闷平落空；
• 32 强 3:0 奥地利、16 强 1:0 葡萄牙、1/4 决赛 2:1 比利时，全部看对；
• 半决赛对法国：四个模型一致站队法国，西班牙 2:0 晋级——这是全部 104 场中仅有的 8 场“全员看错”比赛之一；
• 决赛 1:0 阿根廷，四家首选西班牙，看对收官。

论文对这 8 场集体误判做过复盘：模型事后自认最常“低估了弱队的防守组织”(62% 的错误预测提到这一点)，其次是淘汰赛的偶然性与点球变数(32%)；而被问到“高估了什么”，答案惊人一致——豪门球队的纸面实力与声望。半决赛的法国，正是栽在这上面。

104 场总账：没有任何模型跑赢博彩市场

• 准确率：ChatGPT 与 Grok 68.3%,Claude 66.3%,Gemini 65.4%——最好与最差只差 3 场比赛；
• 概率校准(Brier 分数，越低越好)：博彩市场 0.469，四个模型在 0.471 到 0.483 之间，无一胜出；
• 一个朴素对照：每场固定押 100 美元给市场热门，整届赛事净赚 1041 美元——超过全部四个 AI 智能体。

换句话说：大模型能通过网络检索“读出”市场知道的一切，但读不出市场不知道的东西。论文还发现一个耐人寻味的细节：Claude 在 100% 的预测里都引用了赔率，却有 58% 的投注反向操作，也是唯一净亏损的模型——看见了价格，却不尊重价格，比看不见更亏。

对普通人的三个启示

一、AI 能给概率，仓位是你的功课。 研究显示，“押多少”是与“选哪边”完全独立的能力轴。Claude 的下注金额与自身信心呈负相关(越没把握越重仓“价值洼地”)，结果成为唯一亏损者；Grok 的下注与信心高度同步(相关系数 0.85)，重仓最强判断，收益最好。让 AI 帮你整理信息和概率是合理的，但“投入多少”这道题的纪律，目前还得自己守。

二、“和市场一致”不是没水平。 四个模型的概率与市场赔率的相关系数高达 0.97 以上。当信息高度公开时，任何工具给出的答案都会趋同——这时声称自己有“独家内幕”的，反而值得警惕。

三、选 AI 助手，要看它认不认错。 研究让每个模型赛后复盘自己的预测。在答错的场次里，Gemini 有 86% 坦率承认“预测错误”；ChatGPT 只有 36%，并把 55% 的错误软化成“部分正确”。预测能力不相上下，自我认知天差地别。如果你要用 AI 的复盘做下一步决策，它是否诚实，比它是否聪明更重要。

原文来源

• 论文：《FIFA World Cup 2026 as a Contamination-Free Benchmark for LLM Forecasting Agents》，arXiv:2607.17765v1,https://arxiv.org/abs/2607.17765v1(预印本，尚未完成同行评议)
• 数据集：https://github.com/graphuofm/FIFA2026LLM(CC BY 4.0，含全部 416 条预测、逐场概率、投注与复盘原文；本文全部数字可在其中核查)

边界声明 · 这项研究不能证明什么

本文数字来自单届赛事 104 场比赛，模型间准确率差异仅约 3 场，不构成“哪个模型更强”的统计结论；1X2 规则只计 90 分钟赛果，点球晋级单独记录；所有投注均为虚拟结算，本文不构成任何投注建议；四个模型为特定版本的消费级助手，表现不代表其 API 或后续版本。

AIGC 内容说明：本文由 AI 辅助起草，数字经人工对照公开数据集逐项核查，经今山海编辑部人工审核后发布。修订与更正将在本页留痕。