标签
AlphaBet 是一个基于智能体的强化学习框架，它训练单一 LLM 策略，在多个结果揭晓前的时间点上进行搜索、推理并输出概率，从而降低在 Forecast-Dojo 和 FutureX 上的 Brier 分数，同时揭示了 GRPO 的标准差归一化会扭曲恰当评分规则（proper scoring rule）的目标。
该论文提出了 OpenJev-RLCD，这是针对推理模型的校准决策强化学习（Reinforcement Learning for Calibrated Decisions，RLCD）的一个可用的开源实现。它采用「先校准，再强化」的方案，并使用适当评分规则，在性能上达到或超越 SFT、RFT/STaR 以及带温度缩放的 GRPO，尤其在选择性预测方面表现突出（例如在误差率 ≤5% 的决策覆盖中，GSM8K 上达到 81%，而 GRPO 仅为 19%）。
本文在基于订单簿的预测市场中，正式建立了预测准确性与盈利能力之间的等价关系，提出了一种将准确性转化为利润的适当投注策略，并通过在Kalshi上的实时部署验证了该策略，实现了80.33%的投资回报率。