TokenMix 12 个大模型预测世界杯：169 次预测后，谁最准？

本文是一次模型评测实验，不是投注建议。数据来自 TokenMix WorldCup AI Arena，统计时间为 2026-06-18 05:53 UTC。

我把 12 个 AI 模型放进同一个世界杯预测场景里，让它们同时预测比赛结果，然后用真实赛果回填计分。

表面问题是：哪个模型预测世界杯最准？

真实问题更有价值：大模型在不确定场景下，是否会过度相信强队、名队和历史印象？

一句话结论

现在还不能说哪个模型最准。当前 12 个模型全部是 3 分并列，Qwen3.5 Flash、Claude Opus 4.7、Claude Sonnet 4.6 暂时显示 100% 胜负准确率，但它们各自只有 1 场已结算赛前预测。

也就是说：榜单是真的，但样本还太小。

当前数据概览

指标	数值
模型数量	12
总预测数	169
已结算计分项	21
总积分	36
精确比分命中	0
胜负命中	12
平均胜负准确率	62.5%

注意：赛后复盘不计入预测准确率。赛后模型已经知道结果，只能用来分析解释，不能算预测。

当前排行榜

模型	类型	预测数	已结算	胜负命中	积分	胜负准确率
Qwen3.5 Flash	wildcard	13	1	1	3	100%
Claude Opus 4.7	flagship	14	1	1	3	100%
Claude Sonnet 4.6	flagship	14	1	1	3	100%
GPT-5.4	flagship	15	2	1	3	50%
Gemini 3.1 Pro	flagship	15	2	1	3	50%
DeepSeek V4 Pro	value	15	2	1	3	50%
Qwen 3.7 Plus	value	14	2	1	3	50%
Kimi K2.6	value	14	2	1	3	50%
Gemini 2.5 Flash	value	14	2	1	3	50%
Grok 4.1 Fast Reasoning	wildcard	14	2	1	3	50%
DeepSeek V4 Flash	wildcard	14	2	1	3	50%
GPT-5 Nano	wildcard	13	2	1	3	50%

不要被 100% 迷惑。1/1 和 50/50 是两种完全不同的可信度。

模型做对了什么？

乌兹别克斯坦 1-3 哥伦比亚这场，12 个模型全部预测哥伦比亚胜。

模型	预测	真实赛果	是否命中胜负
Claude Opus 4.7	0-2 哥伦比亚	1-3 哥伦比亚	是
Claude Sonnet 4.6	1-2 哥伦比亚	1-3 哥伦比亚	是
GPT-5.4	1-2 哥伦比亚	1-3 哥伦比亚	是
Gemini 3.1 Pro	0-2 哥伦比亚	1-3 哥伦比亚	是
DeepSeek V4 Pro	0-2 哥伦比亚	1-3 哥伦比亚	是
Qwen 3.7 Plus	0-2 哥伦比亚	1-3 哥伦比亚	是
Kimi K2.6	0-2 哥伦比亚	1-3 哥伦比亚	是
Gemini 2.5 Flash	0-2 哥伦比亚	1-3 哥伦比亚	是
Grok 4.1 Fast Reasoning	0-2 哥伦比亚	1-3 哥伦比亚	是
DeepSeek V4 Flash	0-2 哥伦比亚	1-3 哥伦比亚	是
GPT-5 Nano	0-1 哥伦比亚	1-3 哥伦比亚	是
Qwen3.5 Flash	0-1 哥伦比亚	1-3 哥伦比亚	是

这说明在强弱比较明显的比赛上，小模型和旗舰模型可能给出相同方向。

模型错在哪里？

葡萄牙 1-1 刚果民主共和国这场，9 个有效赛前预测全部错了。

模型	预测	真实赛果	结果
GPT-5.4	2-0 葡萄牙	1-1	错
Gemini 3.1 Pro	2-0 葡萄牙	1-1	错
DeepSeek V4 Pro	2-0 葡萄牙	1-1	错
Qwen 3.7 Plus	2-0 葡萄牙	1-1	错
Kimi K2.6	2-0 葡萄牙	1-1	错
Gemini 2.5 Flash	2-0 葡萄牙	1-1	错
Grok 4.1 Fast Reasoning	3-0 葡萄牙	1-1	错
DeepSeek V4 Flash	2-0 葡萄牙	1-1	错
GPT-5 Nano	2-1 葡萄牙	1-1	错

这场最有价值。不是因为模型错了，而是因为它们以同一种方式错了。

它们都相信葡萄牙会赢。

这就是模型的“强队偏见”：当历史声望和当前不确定性冲突时，模型容易把强队名气转成胜率。

成本角度：为什么小模型值得看？

假设一次预测使用 10K input tokens 和 1K output tokens：

Qwen3.5 Flash:
10K * $0.026 / 1M + 1K * $0.263 / 1M = $0.000526
​
Claude Opus 4.7:
10K * $5 / 1M + 1K * $25 / 1M = $0.075

差距大约是 143 倍。

这不代表 Qwen3.5 Flash 更强，只说明一个工程现实：如果只是做大量低风险预测，先用小模型投票，再把分歧场景交给旗舰模型，可能更划算。

示例路由逻辑：

def route_prediction(match_uncertainty, disagreement):
    if match_uncertainty == "low" and disagreement == "low":
        return ["qwen3.5-flash"]
    if disagreement == "high":
        return ["qwen3.5-flash", "deepseek-v4-pro", "claude-sonnet-4.6"]
    return ["qwen3.5-flash", "gpt-5-nano"]

后续应该看哪些指标？

只看胜负准确率不够。

指标	意义
胜负准确率	基础方向
精确比分	难度最高
净胜球	比精确比分更稳定
平局召回率	检测强队偏见
Brier Score	检测概率校准
置信度分桶	看模型是否过度自信
每次命中成本	工程路由核心指标

我最关心的是平局召回率。葡萄牙这场已经暴露了一个问题：模型可能系统性低估平局。

结论

现在不能宣布哪个 AI 模型最会预测世界杯。

更准确的结论是：

1. 明显强弱局，小模型也能跟旗舰模型同方向。

2. 平局和冷门是模型短板。

3. 便宜模型适合大规模投票，旗舰模型适合处理分歧。

4. 这更像一个模型校准实验，而不是体育预测工具。

原始数据和完整榜单可以看： AI World Cup Predictions 2026: 12 Models, Early Leaderboard - TokenMix Blog