PolyMarket 年交易量已達數十億美元，但超過 90% 的交易者長期虧損（Dune Analytics，2026 年 3 月）。 在以「預測未來」為核心的遊戲中，大多數人只是在為少數更優決策者買單。

如果勝負的關鍵在於誰比較擅長判斷機率，那麼問題就變成了：這種能力，能不能被複製？

UniPat AI 的 EchoZ-1.0，正是在這個問題上給了一個可量化的答案。 在對 Polymarket 人類交易者的對比中，其在政治類問題上的勝率達到 63.2%，在長期預測中為 59.3%。 團隊建立了 5 個 EchoZ Agent 進行實盤交易，其中 4 個實現盈利，表現最好的一個在一周內取得了 15% 的收益。

這並不是一個「交易技巧」的結果，而更像是模型能力的外溢。 UniPat AI 的核心成員來自千問、Kimi、小米、Seed 等大型模型團隊，長期參與推理模型與複雜決策系統的建構。 在預測市場這種本質上是「機率博弈」的環境中，他們嘗試用模型去系統性地取代直覺，並在真實市場中反覆驗證這項能力。

更重要的是，這不是只是一個在報告裡表現突出的模型，而是一套可以直接被呼叫的預測能力。 UniPat AI 正在將 EchoZ 產品化，並計劃以 API 形式對外開放。 對開發者和機構來說，這意味著他們未來可以直接輸入一個問題，獲得包含結論、機率分佈、證據鏈與反事實分析的完整輸出。

在真正開放之前，一個更值得拆解的問題是：EchoZ 的優勢，究竟來自哪裡？

63% 的勝率意味著什麼

做過機率博弈的人知道，在一個大多數人虧錢的零和市場裡，統計意義上的 60%+ 勝率是什麼量級的優勢。 超過 50% 就有正期望，60% 已經足以建立穩定獲利的策略。

EchoZ 對 Polymarket 人類交易者的分段場勝率：

• 政治與治理：63.2%
• 長期預測（7 天以上）：59.3%
• 55%-70%）：57.9%

規律很清晰：人類越猶豫、越難判斷的場景－長週期、多因素博弈、資訊片段化－EchoZ 的優勢越大。

這恰好是最值錢的決策場景。 監理政策走向、宏觀經濟變數、鏈上治理提案、代幣上線時機，多屬於高不確定性、長週期、多因素交織的問題。 誰能在這些場景上持續做出更準確的機率判斷，誰就有 alpha。

EchoZ 在 General AI Prediction Leaderboard 上以 Elo 1034.2 排名第一，領先 Gemini-3.1-Pro（1032.2）、Claude-Opus-4.6（1017.2）和 GPT-5.2。 排行榜涵蓋 12 個模型、7 個領域、1000+ 道活躍題目。

這個排名可信嗎

自建排行榜，第一個反應都是"自己給自己發獎"。 UniPat AI 做了一件 很 Crypto Native的事：全部資料公開。

所有預測問題、模型輸出的機率分佈、最終結算結果，全部公開在 echo.unipat.ai，任何人可回溯驗證。

除此之外，還公開了四組壓力測試：

• 調整評分框架的核心參數（σ 從 0.01 到 0.50，共 9 組），EchoZ 在所有設定下都排第一，是唯一排名零波動的模型。 GPT-5.2 在第 2 到第 9 之間大幅波動。
• 隨機丟掉 10%-70% 的數據，排名依然穩定。
• 從排行榜中移除 1-6 個模型，剩餘排序幾乎不變。
• 新模型加入後，5.4 天即可收斂到穩定排名。

透明、可驗證、抗干擾。

它是怎麼賺到錢的

EchoZ 會自主搜尋資訊、閱讀新聞、查詢數據，然後輸出一份結構化的預測報告：機率分佈、證據鏈、判斷依據，每一步推理都可追溯。

看三個真實案例：

2026 年 3 月 18 日，EchoZ 回答「3 月 31 日全球市值最高的公司是誰？」，給出 NVIDIA 98% 機率。 判斷依據不是一條訊息，而是多條獨立證據鏈交叉驗證：NVIDIA 市值 ~$4.43T-$4.45T，領先 Alphabet 和 Apple 約 $7000 億，9 個交易日內幾乎不可能被追平；美國商務部 3 月 13 日撤回了 AI 晶片出口權規則，消除了定價在市場前最大的成本 15% 領先優勢的暴跌；卡達氦氣設施停產帶來供應鏈風險，但台積電尚未停產。 四條證據分別從市值數學、監管、衍生性商品定價、供應鏈四個構面鎖定結論。

2026 年 3 月 18 日，EchoZ 回答“ETH/USDT 是否會在 3 月 31 日前創下歷史新高？”，給出 99% 概率判 No。 推理鏈很清楚：目前價格約 $2,220-$2,340，歷史最高 $4,956.78，13 天內需要 112%-123% 的漲幅；美聯儲維持 3.50%-3.75% 利率不變疊加美伊衝突，宏觀環境防制經濟 $35M 流動性），排除了穩定幣脫錨導致的名義價格異常。 三個獨立證據鏈交叉驗證，Polymarket 共識同樣給出

同樣是 3 月 18 日，EchoZ 預測 2025-26 賽季 NBA 西部第一種子，給出雷霆 89.9% 機率。 核心邏輯：雷霆 54 勝 15 負，領先馬刺 3 場，兩隊各剩 13 場；馬刺雖然持有對賽戰績優勢（4-1），只需追平即可，但馬刺面對的是全聯盟最難的剩餘賽程（對手勝率 .560）；雷霆的 magic number 僅 11，只需發揮正常。 湖人最多 57 勝，數學上已經出局，確認這是兩隊之間的競爭。

關鍵是，這些預測不是事後挑選的。 每一題的預測時間、機率輸出和結算結果都公開可查。

為什麼 GPT、Claude 做不到

簡單說，訓練方法不同。

市面上的大模型用歷史資料訓練預測能力，但歷史資料有兩個問題：模型搜尋網頁時容易撞上答案（資料外洩），而現實的隨機性會讓模型學到噪音－一個好的分析碰上黑天鵝會被懲罰，一個瞎猜碰上好運氣會被獎勵。

EchoZ 的訓練範式叫 Train-on-Future：直接讓模型預測尚未發生的事件，評估的是推理過程的質量，不等答案揭曉。 好的分析師偶爾也會錯，但長期勝率高——EchoZ 的訓練邏輯和這個一樣。

但誰來定義"好的推理"？ 不同領域差異巨大。 UniPat 的做法是用資料驅動搜尋評分標準（Rubric Search）：準備一組候選評分維度，用這些維度給模型的推理過程評分排序，再和基於真實結果的 Elo 排名做對比——吻合度越高，這套標準越接近"好推理"的真實特徵。 按領域分別搜索，每輪迭代優化。

搜出來的結果很有意思。 政治領域最適評分標準有 20 個維度，其中包括"缺席信號識別"——模型是否把「什麼都沒發生」當作重要信號（法院沒有新立案、軍方沒有新公報，這本身就是資訊）。 還有"言行分離判斷"－區分政客在社群媒體上的口頭聲明和實際進入法律流程的執行動作。 這些維度全部都是資料搜出來的，人拍腦袋想不到這個粒度。

API 開放後能做什麼

Prediction API 即將開放給企業和開發者。 支持用自然語言提一個預測問題，回傳一份完整的結構化報告：

• 機率分佈：事件各種結果的量化判斷
• 證據鏈：支撐判斷的多個獨立證據，按權重排列
• 反事實分析：關鍵變數變化時，機率如何移動
• 監測建議：需要持續關注的訊號和觸發條件

對於交易所和預測市場平台，這意味著可以直接給用戶提供 AI 預測層－使用者瀏覽預測合約時，旁邊就能看到 EchoZ 的機率判斷、核心依據和關鍵變數。 對於量化團隊，這些結構化的機率輸出可以直接作為策略因子存取。 對於 DeFi 協議，事件機率是一個全新的鏈上資料維度——條件觸發的選擇權、基於預測的保險定價、動態風控參數。 目前鏈上幾乎不存在可靠的事件機率資料來源，而這正是 EchoZ 試圖填補的空白。

這是一個新品類：預測能力作為可呼叫的基礎設施。

為什麼是這群人在做這件事

UniPat AI 的核心團隊來自千問、Kimi、小米、Seed 等頭部大模型團隊，十餘位研究員，方向集中在強化學習、Agent 系統、數據合成和模型評估。 已獲得許多頭部美元基金支持。

這個團隊組合解釋了 Echo 的產品形態。 做預測智能需要同時解決三個問題：怎麼訓（RL + 過程獎勵）、怎麼評（動態評測系統）、怎麼讓模型自己去找資訊做判斷（Agent）。 這三件事恰好對應到這個團隊最擅長的三個方向。

他們選擇做預測基礎設施，是因為預測能力天然可量化、可驗證、可盈利——這是大模型能力中少數能直接和商業價值掛鉤的品類。

UniPat AI 表示：「預測能力是少數可以直接與商業價值掛鉤的 AI 能力之一。當機率判斷可以被結構化、驗證並調用，它將成為交易與金融系統中的基礎輸入。」

下一步

過去幾年，被 API 化的能力依次是文本、下一步

過去幾年，被 API 化的能力依次是文本、下一步

下一個被 API 化的，可能是對不確定性的判斷本身。 當對未來的機率判斷變成一個可調用、可整合、可驗證的參數，它能嵌入的決策鏈路——交易策略、風控模型、產品定價、合規預警——遠比預測市場本身更廣。

Echo 要做的事情用一句話概括：把「世界接下來會發生什麼」變成開發者可呼叫的輸入。

ECHO 官網：https://echo.unipat.ai

技術部落格：https://unipat.ai/blog/Echo