[AI]《Agentic Forecasting using Sequential Bayesian Updating of Linguistic Beliefs》K Murphy [University of British Columbia] (2026)

在AI预测未来事件的领域,现有方法受困于两个瓶颈:要么让LLM在不断膨胀的上下文中堆积检索信息直至超出注意力窗口,要么采用一次性批量搜索后推理的模式无法迭代优化。本质原因是缺乏一种既能压缩信息又能保持概率推理连贯性的中间表示。

本文的核心洞见是:把预测过程重新看作贝叶斯序贯更新——用半结构化的"语言信念状态"(概率估计+自然语言证据摘要)替代原始文本累积。由此,LLM在每步工具调用后更新这个压缩表示,既避免了上下文爆炸,又实现了类似人类专家的迭代推理循环。配合多试验logit空间聚合和层级校准,系统在ForecastBench上全面超越现有顶尖方法。

这项工作真正留下的遗产是证明了结构化信念追踪对智能体的价值可与网络搜索本身相当(消融实验显示两者对BI的贡献分别为3.0和4.6)。它为后来者打开的新门是将概率推理显式嵌入智能体循环的范式,但尚未跨过的门槛是如何在更广泛的不确定性推理任务中自动学习最优信念表示结构,以及如何处理非二元预测问题。

arxiv.org/abs/2604.18576 机器学习 人工智能 论文 AI创造营