Valory prezentuje model Olas Predict z otwartymi wagami, który osiąga lepsze wyniki w prognozowaniu rzeczywistych zdarzeń

Valory zaprezentowało Olas-Predict-Qwen3.8-27B, model prognostyczny z otwartymi wagami, który — jak twierdzi firma — w teście rzeczywistych rynków predykcyjnych uzyskał wynik gorszy o 1,2 punktu procentowego od modelu GPT-5.6 użytego do porównania. Model specjalistyczny z 27 miliardami parametrów osiągnął w wewnętrznej ewaluacji Valory zrównoważoną dokładność na poziomie 67,3%, podczas gdy GPT-5.6 uzyskał 68,5%; oba systemy otrzymały te same informacje o rynkach.

Wynik ten skłania do praktycznego pytania dotyczącego rozwoju AI: w jakim stopniu skuteczność w zadaniu specjalistycznym wynika z szerokiej wiedzy modelu, a w jakim — z dostępu do odpowiednich informacji i ukierunkowanego treningu? Najnowszy eksperyment Valory sugeruje, że mniejszy, adaptowalny model może konkurować w ściśle określonym zadaniu prognostycznym, pokazuje też jednak, że znaczna część poprawy wynika z zastosowania mocniejszego modelu bazowego.

Co mierzy porównanie modeli prognostycznych Valory

W komunikacie przedstawiono wyniki dla 6 824 rynków predykcyjnych, które można było zbadać. Systemy korzystały z tych samych poleceń i danych, a temperatura wynosiła zero. Valory zastosowało też filtr dat powiązany z deklarowaną datą graniczną wiedzy modelu GPT-5.6 użytego do porównania, przypadającą na 16 lutego 2026 r. Porównanie ocenia, jak modele rozumują na podstawie dostarczonych informacji, zamiast sprawdzać, czy każdy z nich potrafi samodzielnie je zgromadzić.

Zakres badania ma znaczenie. Są to wyniki podane przez firmę dla wybranych rynków, a nie niezależny dowód ogólnej równoważności modeli. Ostateczne porównanie jest również odrębne od wcześniejszego eksperymentu obejmującego 10 916 próbek oraz opublikowanego wcześniej badania Valory dotyczącego modelu z 14 miliardami parametrów.

Zrównoważona dokładność przypisuje jednakową wagę wynikom dla obu klas rezultatów, dzięki czemu częściej występujący wynik nie dominuje w ocenie. Valory podaje również wynik Briera, który służy do oceny prognoz probabilistycznych i uwzględnia kary za błędy popełnione przy wysokiej pewności. Niższy wynik Briera oznacza lepszy rezultat; prognosta powinien być nagradzany za dobrze skalibrowaną niepewność, a nie tylko za wskazanie ostatecznego zwycięzcy.

Tabela przedstawia końcowy podzbiór porównawczy podany przez Valory. Historyczny wynik bazowy GPT-4.1 należy traktować jako wynik tego konkretnego modelu bazowego, a nie jako nową, uniwersalną miarę jakości GPT-4.1.

Większość poprawy wynika z mocniejszego modelu bazowego

W tym porównaniu nowy model uzyskał wynik lepszy od Olas-Predict-R1-14B o około 22% pod względem błędu Briera oraz o 8,4 punktu procentowego pod względem zrównoważonej dokładności. Jednak model Qwen3.8-27B przed treningiem dziedzinowym osiąga już zrównoważoną dokładność na poziomie 66,4% i wynik Briera wynoszący 0,2235, co odpowiada za znaczną część poprawy.

Trening dziedzinowy przynosi dodatkową poprawę: błąd Briera spada o około 5%, a zrównoważona dokładność wzrasta o 0,9 punktu procentowego. Oczekiwany błąd kalibracji, który podsumowuje zgodność deklarowanej pewności z zaobserwowanymi wynikami, zmniejsza się z 0,1630 do 0,1429 — o około 12,3%.

To bardziej użyteczny wniosek niż przypisywanie całej poprawy między generacjami dostrajaniu. Mocniejszy model bazowy i trening specjalistyczny wnoszą odrębny wkład. Ten drugi wydaje się poprawiać sposób, w jaki model przedstawia prawdopodobieństwa — to ważna zdolność, gdy system działający na dalszym etapie musi zdecydować, czy dowody są wystarczająco mocne, by podjąć działanie.

Narzędzie prognostyczne dostarcza dowodów, a model szacuje prawdopodobieństwo

Valory opisuje proces treningowy wykorzystujący zweryfikowane przykłady prognozowania i uczenie przez wzmacnianie w celu poprawy szacunków prawdopodobieństwa. Oddzielne narzędzie gromadzi informacje o rynkach i dowody, a następnie przekazuje je modelowi.

Ten podział ma kluczowe znaczenie dla architektury. Model językowy jest jednym z elementów systemu prognostycznego: pobieranie informacji decyduje o tym, jakie dane są dostępne, a model je interpretuje i określa prawdopodobieństwo. Nawet trafne rozumowanie oparte na słabych lub nieaktualnych informacjach może prowadzić do błędnej prognozy.

Takie podejście stwarza również możliwości niezależnego ulepszania poszczególnych komponentów. Programiści mogą udoskonalić pobieranie informacji, zmienić sposób ich prezentacji lub zaktualizować moduł prognostyczny bez konieczności przebudowy całego agenta. Podane wyniki dotyczą konkretnego połączenia informacji i zachowania modelu, dlatego nie należy automatycznie przenosić ich na inny proces pobierania danych.

Jak Olas przekształca aktywność agentów w dane treningowe

Valory jest jednym z głównych podmiotów rozwijających Olas, którego ekosystem Predict łączy agentów tworzących rynki, handlujących, przygotowujących prognozy i rozstrzygających wyniki. Traderzy mogą kupować usługi prognostyczne od wyspecjalizowanych agentów za pośrednictwem Mech Marketplace. Po rozstrzygnięciu zdarzeń prognozy można zestawić z wynikami, tworząc zapisy wykorzystywane do ewaluacji i przyszłego treningu.

Ta pętla informacji zwrotnej dostarcza projektowi danych dotyczących konkretnych zadań. Zamiast oceniać prognozę wyłącznie na podstawie tego, czy jej uzasadnienie brzmi przekonująco, system może ostatecznie porównać oszacowane prawdopodobieństwo z wynikiem rozstrzygniętego wydarzenia. To rozstrzygnięcie rynku nadal wyznacza cel, dlatego istotne pozostają zarówno sformułowanie pytania, jak i jakość rozstrzygnięcia.

W wcześniejszej opublikowanej pracy Valory wykorzystało ponad 200 000 zapisów prognoz agentów, aby wyspecjalizować model Olas-Predict-R1-14B. W odrębnej ewaluacji przeprowadzonej później na rynkach odnotowano dokładność na poziomie 75,8% w przypadku 2 628 rynków. Jest to zwykła dokładność uzyskana w innej ewaluacji, dlatego nie można jej bezpośrednio porównywać z ogłoszonym obecnie wynikiem 67,3% zrównoważonej dokładności.

Jak otwarte wagi wpływają na wdrażanie

Model prognostyczny z otwartymi wagami pozwala programistom hostować i dostosowywać model zamiast całkowicie polegać na zdalnej, zastrzeżonej usłudze. Dla organizacji budującej proces prognozowania może to oznaczać większą kontrolę nad aktualizacjami modelu, infrastrukturą obsługującą model oraz sposobem przetwarzania dostarczanych danych.

Model z 27 miliardami parametrów nadal wymaga odpowiedniego sprzętu, a zapotrzebowanie na pamięć, opóźnienia i przepustowość zależą od precyzji, długości kontekstu i liczby równoległych żądań. W ogłoszeniu nie podano zmierzonych kosztów wdrożenia ani wyników testów wydajnościowych obsługi nowego modelu, dlatego sama liczba parametrów nie dowodzi przewagi pod względem kosztów eksploatacji.

Jakość prognozowania różni się również od wyników handlowych. Stopy zwrotu zależą nie tylko od prognoz, lecz także od cen rynkowych, kosztów transakcyjnych, realizacji zleceń i strategii — co odzwierciedlają ograniczenia opisane we wcześniejszej karcie modelu Valory.

Znaczenie modelu Olas-Predict-Qwen3.8-27B jest zatem ograniczone do konkretnego obszaru, ale istotne: Valory informuje, że wyspecjalizowany model zbliża się do modelu porównawczego z czołówki w prognozowaniu na podstawie dostarczonych danych, a trening dziedzinowy przynosi mierzalne korzyści. Kolejną szansą jest wykorzystanie ciągłego strumienia rozstrzygniętych prognoz do wprowadzania ulepszeń, które sprawdzą się w przypadku kolejnych wydarzeń i rzeczywistych wdrożeń.