Valory apresenta o modelo Olas Predict de pesos abertos, com avanços em previsões do mundo real

Valory apresentou o Olas-Predict-Qwen3.8-27B, um modelo de previsão de pesos abertos que, segundo a empresa, fica a 1,2 ponto percentual do modelo de comparação GPT-5.6 em um teste com mercados de previsão do mundo real. O modelo especializado, com 27 bilhões de parâmetros, alcançou 67,3% de acurácia balanceada na avaliação interna da Valory, ante 68,5% do GPT-5.6, quando ambos os sistemas receberam as mesmas evidências de mercado.

O resultado levanta uma questão prática para o desenvolvimento de IA: quanto do desempenho em uma tarefa especializada vem do conhecimento amplo do modelo e quanto pode vir de evidências pertinentes e treinamento direcionado? O experimento mais recente da Valory sugere que um modelo menor e adaptável pode ser competitivo em uma tarefa de previsão definida de forma restrita, mas também mostra que um modelo de base mais robusto responde por boa parte da melhora.

O que a comparação de previsões da Valory avalia

O anúncio apresenta resultados para 6.824 mercados de previsão pesquisáveis. Os sistemas usaram os mesmos prompts e as mesmas evidências, com temperatura zero, e a Valory aplicou um filtro de data relacionado ao limite de conhecimento declarado pelo modelo de comparação GPT-5.6, de 16 de fevereiro de 2026. A comparação avalia como os modelos raciocinam com base nas evidências fornecidas, em vez de pedir que cada sistema reúna suas próprias informações.

Esse escopo é importante. São resultados divulgados pela empresa para mercados selecionados, e não uma demonstração independente de equivalência geral entre os modelos. A comparação final também é distinta de um experimento anterior com 10.916 amostras e do estudo de 14 bilhões de parâmetros publicado anteriormente pela Valory.

A acurácia balanceada atribui o mesmo peso ao desempenho nas duas classes de resultado, ajudando a evitar que um resultado mais comum domine a avaliação. A Valory também apresenta a pontuação de Brier, que avalia previsões probabilísticas e penaliza erros cometidos com excesso de confiança. Quanto menor a pontuação de Brier, melhor; um modelo de previsão deve ser recompensado por expressar incerteza de forma bem calibrada, e não apenas por escolher o resultado que acaba se concretizando.

A tabela reproduz o subconjunto da comparação final divulgado pela Valory. A referência histórica do GPT-4.1 deve ser entendida como essa referência específica, e não como uma nova pontuação universal para o GPT-4.1.

Um modelo de base mais robusto responde pela maior parte do avanço

Nesta comparação, o novo modelo supera o Olas-Predict-R1-14B em aproximadamente 22% no erro de Brier e em 8,4 pontos percentuais na acurácia balanceada. Mas o modelo inicial Qwen3.8-27B, ainda sem treinamento, já alcança 66,4% de acurácia balanceada e uma pontuação de Brier de 0,2235, respondendo por boa parte do avanço.

O treinamento de domínio proporciona uma melhora adicional: o erro de Brier cai aproximadamente 5%, enquanto a acurácia balanceada aumenta 0,9 ponto percentual. O erro esperado de calibração, que resume o alinhamento entre a confiança declarada e os resultados observados, cai de 0,1630 para 0,1429 — uma melhora de aproximadamente 12,3%.

Essa constatação é mais útil do que atribuir todo o ganho entre gerações ao ajuste fino. Um modelo de base mais robusto e o treinamento especializado contribuem separadamente. Este último parece melhorar a forma como o modelo expressa probabilidades, uma capacidade importante quando um sistema subsequente precisa decidir se as evidências são suficientemente fortes para agir.

A ferramenta de previsão fornece as evidências; o modelo estima a probabilidade

A Valory descreve um processo de treinamento que usa exemplos de previsão revisados e aprendizado por reforço para aprimorar as estimativas de probabilidade. Uma ferramenta separada reúne informações e evidências de mercado e, em seguida, fornece esse material ao modelo.

Essa separação é central para a arquitetura. O modelo de linguagem é um dos componentes de um sistema de previsão: a recuperação de evidências determina quais informações estão disponíveis, enquanto o modelo as interpreta e produz uma probabilidade. Mesmo um raciocínio sólido baseado em evidências fracas ou desatualizadas pode levar a uma previsão ruim.

Essa abordagem também cria oportunidades para aprimorar cada componente de forma independente. Os desenvolvedores podem aperfeiçoar a recuperação de informações, mudar a forma como as evidências são apresentadas ou atualizar o modelo de previsão sem necessariamente reconstruir todo o agente. As pontuações divulgadas avaliam uma combinação específica de evidências e comportamento do modelo, por isso não devem ser automaticamente extrapoladas para outro processo de recuperação de informações.

Como a Olas transforma a atividade dos agentes em dados de treinamento

A Valory é uma das principais colaboradoras da Olas, cujo ecossistema Predict conecta agentes que criam mercados, negociam, fornecem previsões e finalizam resultados. Os operadores podem comprar serviços de previsão de agentes especializados por meio do Mech Marketplace. Quando os eventos são resolvidos, as previsões podem ser comparadas com os resultados, gerando registros para avaliação e treinamento futuro.

Esse ciclo de feedback fornece ao projeto evidências específicas para cada tarefa. Em vez de avaliar uma previsão apenas pelo quanto sua explicação parece convincente, o sistema poderá, com o tempo, comparar sua estimativa de probabilidade com o resultado de um evento já definido. A resolução do mercado continua determinando o alvo; por isso, a formulação das perguntas e a qualidade da resolução ainda são fatores importantes.

O trabalho publicado anteriormente pela Valory usou mais de 200.000 registros de previsões de agentes para especializar o Olas-Predict-R1-14B. Uma avaliação subsequente em mercados relatou uma acurácia de 75,8% em 2.628 mercados. Esse valor é a acurácia comum de uma avaliação diferente; não é diretamente comparável à acurácia balanceada de 67,3% anunciada agora.

O que os pesos abertos mudam na implantação

Um modelo de previsão com pesos abertos permite que os desenvolvedores hospedem e adaptem o modelo, em vez de depender inteiramente de um serviço remoto proprietário. Para uma organização que esteja criando um fluxo de trabalho de previsões, isso pode proporcionar mais controle sobre as atualizações do modelo, a infraestrutura de disponibilização e o tratamento das evidências fornecidas.

Um modelo com 27 bilhões de parâmetros ainda exige hardware adequado; o uso de memória, a latência e a capacidade de processamento dependem da precisão, do comprimento do contexto e da concorrência. O anúncio não apresenta custos de implantação medidos nem referências de desempenho de disponibilização para o novo modelo; portanto, apenas a contagem de parâmetros não comprova uma vantagem específica de custo operacional.

A qualidade das previsões também é diferente do desempenho das negociações. Os retornos dependem dos preços de mercado, dos custos de transação, da execução e da estratégia, além das previsões — uma distinção refletida nas limitações da ficha técnica anterior do modelo da Valory.

A importância do Olas-Predict-Qwen3.8-27B é, portanto, específica, mas significativa: a Valory relata que um modelo especializado está se aproximando de seu comparador de ponta na previsão baseada em evidências fornecidas, com ganhos mensuráveis obtidos por meio do treinamento no domínio. A próxima oportunidade é transformar o fluxo contínuo de previsões com resultados definidos em melhorias que se mantenham em eventos posteriores e em implantações reais.