UIUC 与清华团队用 7B 模型持续学习，在预测市场跑赢 GPT-5.6
7B 小模型靠部署期持续自蒸馏跑赢冻结权重的前沿大模型，说明部署后能否持续更新，可能比模型大小更关键。
UIUC 联合清华初创团队 Astraculum，让一个 7B 模型接入实时新闻与 Polymarket、Kalshi 等预测市场（用真金白银押注事件概率的市场），在 390 天真实数据上边部署边自我蒸馏、更新权重，预测精度超过 GPT-5.6、DeepSeek V4 Pro 和 Claude Opus 5。
正文摘录
.jpg) 在社会变化的洪流中，LLM 能不能不断修正自己对社会的认知？ 伊利诺伊大学厄巴纳 - 香槟分校（UIUC）的研究者在名为 Social World Model（ICML 2026:https://arxiv.org/abs/2606.11482）的框架中提出并初步探讨了这一问题。他们以 Polymarket 和 Kalshi 等预测市场为天然检验场，观察当突发新闻降临时，市场参与者的信念将如何发生偏移。 但这只是第一步。UIUC 联合来自清华的初创团队 Astraculum 决定发起一项更硬核的挑战并获得了一些初步结果： LLM 的认知更新，能否不仅停留在 “训练时（Train-time）” 阶段，而是真正延伸到 “部署（Deployment-time）” 阶段？ 换句话说，当 LLM 被置于持续流动的市场数据与实时新闻中，它能否根据不断到来的真实反馈持续学习，让今天经历过的市场变化，真正改变它明天的判断？为了验证这一点，联合团队在长达 390 天的真实数据上进行了滚动训练与持续回测。结果证明了 “持续进化” 的力量：这个在部署后依然不断更新权重的 Model，在同等测试环境下，一举击败了 GPT-5.6、DeepSeek V4 Pro 以及 Claude Opus 5 等一众前沿模型。 什么是 Social World Model？ 如果物理世界模型（Physical World Model）能根据物体的 “当前状态（如速度和位置）” 预测它受力后的轨迹；那么当突发新闻降临时，AI 能不能预测 人类社会的集体认知 会发生怎样的转移？