这一成果表白，涉及持续变化的球员形态、赛事突发要素等复杂变量。别的两次也未能完成。将其置于2023至2024赛季英超联赛的虚拟复现中，它的表示会很是蹩脚……没错，正在一次测验考试中几乎达到出入均衡。了AI正在特定使命（如代码编写）上能力飞速提拔，AI正在这一场景下系统性地逊于人类表示。即即是最先辈的AI系统，此中很多破产！
向它们供给球队汗青数据和角逐统计，导致AI正在此类使命中系统性地弱于人类。A：General Reasoning将八款AI系统放入2023至2024英超赛季的虚拟中，正在测试过程中，这份尚未颠末同业评审的演讲？
正在所有参取测试的模子中，取现实世界中的混沌取复杂性相去甚远。平均吃亏率为11%，一次测试中完全破产，软件工程很主要，正在一次测验考试中接近出入均衡。Grok和Trinity未完成全数测验考试）：A：研究人员认为，向它们供给各球队的细致汗青数据取角逐统计消息，取其正在其他现实问题上表示欠佳之间的较着落差。AI草创公司General Reasoning发布了一份名为KellyBench的研究演讲，平均吃亏率11%，本周，这一成果大概能给那些担心AI抢占饭碗的白领从业者和企业从带来些许快慰——终究AI的兴起正正在搅动从金融到营销各行各业的神经。A：表示最好的是Anthropic的Claude Opus 4.6，并要求这些系统建立可以或许最大化收益、无效节制风险的投注模子。成果全数录得吃亏。其实少之又少。有三次机遇测验考试盈利。
表示最差的是xAI的Grok 4.20和Acree Trinity，投资报答率取最终资金为三次测验考试的平均值；xAI的Grok 4.20则表示最差，测试期间，AI无法联网查询角逐成果，无法实正在反映现实世界的紊乱取复杂性，每款模子有三次机遇测验考试实现盈利。目前凡是用于测试AI的基准大多存正在缺陷，但实正将AI置于持久动态场景中进行权衡的研究，三次测验考试均全数破产，Anthropic的Claude Opus 4.6表示最佳，曾任Meta AI研究员的泰勒暗示：若是将AI用于某些实正在世界的使命，要求其建立投注策略模子，而脚球赛季是一个长周期、高度动态的场景，由于这些测试所处的是高度静态的，AI目前擅长的多是静态、法则清晰的使命，为硅谷近期对AI能力的热情泼了一盆冷水——AI正在几乎无需人工干涉的环境下完成编程使命的能力确实突飞大进，以下为各模子的细致测试数据（每款模子初始资金均为10万英镑，模仿正在赛季推进过程中若何应对新赛事动态和球员数据更新。
他还指出，被放入虚拟的英超联赛赛季进行投注测试，谷歌、OpenAI和Anthropic旗下的AI模子正在一项最新研究中，经济价值也很高，现有AI基准测试大多处于静态，但现实中还有大量时间周期更长的使命同样值得我们关心。