DigClaw预测框架拿下FutureX三席，AI预测能力正独立于基座模型成形

7月，DigClaw的预测框架Rhizome v1在FutureX实时预测榜单上同时拿下第1、第3、第7名。三个席位分别基于Kimi-K3、DeepSeek-V4-Pro等不同基础模型独立运行，同一套框架让三个基座全部进入Top 7，是唯一做到这一点的参赛方。评测包含59道覆盖政治、经济、科技领域的真实事件预测题，提交时标准答案尚未产生，事后结算；数据集托管在HuggingFace，评估框架开源在GitHub，结果可复现、可验证。

DigClaw的核心判断是：预测能力可以沉淀在基座模型之外。基座模型仍提供语言理解、推理和工具使用等通用能力，但如何组织检索、处理时间、表达概率、维护证据和控制长程运行，可以形成独立于模型权重的系统能力。随着基座进步，系统获得能力红利；预测轨迹、结算反馈、校准经验和持续演化的工作流则持续沉淀在系统内部。

在DigClaw看来，大语言模型天然不擅长预测：模型学习的是相关性而非因果性，存在因果方向盲区、干预推理失效和概率校准缺失三类问题。现有方案也各有局限：人类群体智慧需要流动性，冷门问题价格不可信；LLM模式匹配没有因果结构；端到端训练存在结果导向偏差。因此Rhizome将搜索、因果推理、概率推断作为三个正交能力，由专门系统分别解决后结构化组合。

Rhizome的三个设计决策

搜索与推理多模型解耦：搜索agent只负责发现所有关联信号，优化目标是信息相关性而非答案正确性；推理层只在已有证据上做结构化推理。训练采用强化学习框架SearchRL，开源模型以搜索相关性为reward做RL微调，闭源模型则通过外部搜索约束框架（harness）使用。不同基座在预测任务中呈现稳定差异：有的适合长时间检索与复杂推理，有的擅长定量建模，有的在成本和响应速度上占优；机构可根据任务价值与运行规模选择基座。

轨迹记录与概率校准：每次预测保存带版本信息的完整轨迹，包括题目条件、预测时可获得的证据、Agent编排与工具调用过程、最终答案与概率、模型和系统版本。事件结算后，将轨迹与现实结果对照，定位错误发生在检索、时间判断、推理、答案表达还是概率校准。对同一道题进行多次独立预测时，不在结果上简单平均，而是在对数几率空间聚合，再用已结算题目的Brier Score调整极端化强度，最后通过Platt缩放校正系统性的过度自信或保守。校准标准是：系统给出60%的事件，长期应约有六成发生。

因果链感知的持续更新：对未结算问题保存信念状态，每条证据记录事件发生时间、内容发布时间和系统读取时间。重复信息跳过更新，冲突证据保留判断被修正的过程；单次概率变化超过0.15时必须指向触发变化的具体新证据。为避免同一因果链上的多个信号被重复计算，Rhizome正在开发因果链感知的贝叶斯更新框架，包含因果知识库、同链信号去重、全局后验帽和传导时滞感知四个层次。该框架已在内部预测系统上完成原型实现和初步验证，并指导进行了多笔投资实践。实验显示，与直接贝叶斯聚合相比，同链信号去重和全局后验帽将过度自信率（预测概率高于85%但最终判断错误的比例）从约25%降至12%。

投资应用

DigClaw发起设立了Newborn Ventures，定位为AI原生的早期风险投资与孵化机构，以“AI挖掘Beta趋势”为驱动。其逻辑是：投资回报等于Beta（事件与趋势驱动）加Alpha（资产特异性），Alpha研究已相对成熟，而宏观事件和趋势预测的Beta目前缺乏有效AI方案。DigClaw的预测系统已在FutureX等公开评测平台获得外部验证，并将同一套能力应用于投资决策、产业趋势研判和战略风险评估等场景。