12家AI、15场比赛、8个33.3%——世界杯照出了大模型最真实的水平

当AI学会“看球”，它真的比人类更懂吗？

一场揭幕战，让所有人都信了

2026年6月11日，美加墨世界杯揭幕战，墨西哥对阵南非。

赛前，12个中国大模型被拉到同一个擂台上——由联想天禧AI牵头、咪咕直播全程记录的「人机大战世界杯预言家」。它们要在104场比赛里，和近20万人类用户正面PK。

结果呢？墨西哥2:0南非，绝大多数AI命中了赛果。通义千问甚至精准到“上半场1:0、下半场再进一个、某球员破门”——细节全中。

那一刻，弹幕沸腾了。“AI真的懂球！”“以后不用看球了，直接问AI。”

三天后，小组赛前15场打完，一份成绩单被悄悄晒了出来：

最高命中率：46.7%。

连抛硬币的50%都没跑赢。

这届世界杯，成了中国AI最诚实的一场压力测试。而这场测试的结果，比任何发布会PPT都更接近真相。

在这里我也给大家分享两个skill，一个是世界杯数据查询的skill，一个是世界杯日报生成的skill，如果大家有在使用openclaw，或是基于openclaw的国产龙虾工具，比如阶跃AI桌面版（stepclaw），Qclaw，可以把skill直接接入你的龙虾，如果你的龙虾连接飞书了，还可以让他每天定时发送比赛的数据，还是挺好玩的。

① 世界杯数据查询​ —— 一句话说就是：把它当你的 2026 美加墨世界杯「活体资料库」。“今天有哪些比赛？”“西班牙对巴西怎么看？”“阿根廷目前积分榜什么情况？”——直接用自然语言问，它去拉赛程/实时比分/阵容/球员数据和积分榜，结果还是结构化 JSON，写稿、做图、做 brief 都很方便。

安装：openclawmp install skill/9028f8fc66b349fa839b7beda96c3030

② 世界杯日报（World Cup Daily Report）​ —— 专为倒不过时差的人设计：每天早上自动把前一天凌晨场汇总成一份日报（比分、进球、红黄牌、关键统计、简短战术点评），支持飞书 / 微信等推送。说一句「昨天的世界杯结果」就能按需唤出来。

安装：openclawmp install skill/afe121bcb8314f0ba6dff857e542560c

使用起来也是很简单，一句话就能查世界杯的数据了：

Part 1：12张牌桌，三种打法

先搞清楚谁上了桌。联想×咪咕「人机大战」接入了整整12家大模型：

12家，各有各的打法。大致可以分为三类：

第一类：独立营销派——Kimi、千问、DeepSeek。它们不仅参赛，还自己搭了独立的营销页面，搞Token奖池、现金竞猜、Agent推演直播。Kimi的“300个子Agent并行推演+1万亿Token瓜分”是这里面叙事最猛的。

第二类：生态绑定派——文心、混元、豆包（字节独立作战，未入擂台）。它们把预测能力嵌入已有的搜索、社交、内容生态里，试图让世界杯变成自己产品的“流量发动机”。

第三类：沉默应考派——阶跃星辰、MiniMax、智谱清言、商汤、讯飞、中移。它们没有独立营销页，没有巨额奖池，就是安安静静地在同一个擂台上交卷。

而正是这些“沉默应考派”里，藏了这篇文章最想讲的故事。

Part 2：成绩单——15场之后，谁在裸泳？

前15场小组赛，12个模型的战绩如下：

注意看这个表最扎眼的地方：第一名46.7%，第二名到第五名都是40%，然后是一大片33.3%。

这意味着什么？

意味着12个模型里，有8个的预测水平几乎一模一样——没有统计学意义上的差异。它们的预测结果，本质上是对同一组数据的同一种解读。

AI不是在预测，AI是在复读人类的共识。

Part 3：阶跃星辰——全场最“不合群”的AI，和它的高方差悖论

在所有模型里，有一个名字反复跳出“共识圈”——阶跃星辰。

它做了什么？

名场面一：比利时 1-1 埃及——“全场11比1”

赛前，12大AI中11家押比利时赢（比分集中在2-0/2-1），只有阶跃星辰押1-1平局。终场哨响，1-1。它是全场唯一命中赛果+命中比分的AI。

名场面二：瑞典 5-1 突尼斯——“唯一嗅到血腥味的”

12家全押瑞典胜✅，但11家陷入了“小比分陷阱”（预测2-0/3-0）。阶跃星辰独给瑞典5:2——全场唯一捕捉到“总进球>4”趋势的模型。实际5-1。

名场面三：佛得角 5-1 西班牙——“同一个自由度产的废品”

它也给出过佛得角5-1胜西班牙、日本3-0胜荷兰这种“离谱到伤害品牌”的输出。

对，你没看错。它的“对”和“错”来自同一个原因。

阶跃星辰的预测方法是：跑了50000次模拟，基于纯Elo等级分体系。第一次翻车时，它自己造了一套假xG数据，导致墨西哥/南非/韩国变成前三名——于是它砍掉重练，退回纯Elo。

它自己也坦白：“纯Elo不知道Yamal伤没伤、不评估高温旅途、点球大战当加权硬币。You can’t fully trust me.”

这句话，恰恰是所有AI里最诚实的一句。

为什么阶跃星辰值得单独写一节？

因为它的存在，暴露了一个行业级困境：

当前所有主流大模型做预测时，输入层≈历史战绩+身价差+赔率共识+新闻情绪，输出层被RLHF/安全对齐压向“看起来合理、不被骂、不惊悚”的区间。

共识就是护城河，也是牢笼。

阶跃的Elo模拟体系因为没有注入那么多“看起来合理”的人类先验做软约束，所以它的采样分布尾部更肥——偶尔会给你一个真异见（比利时1-1对了），但也经常给你一个假异见（佛得角5-1西班牙翻车）。

换句话说：当所有人都押同一个答案的时候，那个押不同答案的人不一定更聪明，但它一定更有可能让你看到你看不到的东西。

而这，恰恰是AI在预测这件事上最稀缺的价值。

Part 4：淘汰赛才是真正的考场

小组赛还能靠“共识”蒙混过关——强弱分明、数据充足、赔率清晰。但淘汰赛不一样：

• 点球大战无法用历史数据预测
• 伤病、红牌、裁判尺度、高温旅途……每一个变量都能颠覆Elo模型
• 当西班牙被逼到加时赛，当法国面对铁桶阵，当阿根廷的梅西在第117分钟站出来——这些时刻，没有一个AI的训练数据里有标准答案

届时，12个模型里，谁的框架能撑住，谁会在共识崩溃时第一个露馅，才是真正的考验。

目前来看，有三个值得关注的观察点：

1. 阶跃星辰的高方差策略：在淘汰赛这种低确定性场景里，它的“肥尾采样”反而可能捕获更多真异见——但也可能死得更惨。
2. MiniMax的稳定性：它是少数敢押非共识方向且全程不改口的模型。这种“固执”在淘汰赛里要么封神，要么翻车。
3. Kimi的Agent推演框架：300个子Agent并行推演的叙事很美，但小组赛战绩垫底。淘汰赛是它证明“Agent不是噱头”的最后机会。

世界杯证明了一件事——在预测这件事上，人类和AI还在同一起跑线

回到文章开头的问题：当AI学会“看球”，它真的比人类更懂吗？

15场比赛之后，答案很清晰：没有。

最高46.7%的命中率，意味着AI连抛硬币的水平都没稳定达到。所谓的“预测”，本质上是对人类已有共识的一次加权平均复述。

但这不代表AI没用。

阶跃星辰用比利时1-1告诉我们：当所有人都押同一个方向时，那个押不同方向的声音——哪怕它经常错——才是真正有价值的增量信息。

世界杯还有80多场比赛要踢。淘汰赛的混乱、点球的随机性、黑马的诞生……这些才是AI预测的真正试金石。

而在那之前，有一句话送给所有盯着屏幕的球迷和AI从业者：

不要问AI明天谁会赢。先问问它，昨天为什么会错。

（本文数据截至2026年6月16日小组赛前15场，后续赛程将持续更新。欢迎收藏追更。）