做好自己的研究：通过学习搜索来学习预测

arXiv:2610.01955v1 公告类型：新增 摘要：基于结果的强化学习可以训练语言模型预测现实世界事件，但以往的预测工作要么在训练前冻结研究上下文，要么仅在测试时部署智能体式研究，因此收集证据的能力从未受到奖励机制的塑造。我们基于2,100多个已结算的Polymarket问题，构建了一个智能体式预测环境、数据集和测试框架；智能体在每次 rollout 时自行获取上下文（网页搜索、页面阅读和金融时间序列），所有信息都经过分层泄漏过滤，仅限于在每个问题截止时间之前发布的内容。随后，我们在该环境中使用基于Brier分数的奖励，通过单轮次GRPO训练Qwen3.5-35B-A3B（3B个活跃参数）。训练改变了智能体与信息交互的方式：校准度提升了30%至40%，并且随着证据使用规范的习得，每次 rollout 的搜索尝试次数从3.8次降至2.25次。在完全相同的测试框架中与四个前沿模型进行评估时，训练后的策略在基于证据的预测任务中也超过了所有接受测试的前沿模型，包括Claude Opus 4.5（soft-Brier为0.254，对比0.256，n=265），而推理成本约为其5%；在最困难的问题上，其领先幅度最大——这些问题甚至连群体本身都尚未作出判断。我们将发布该环境、数据集和每次 rollout 的记录，作为可复用的时间序列预测智能体测试框架。