EvoForesight: агент, который три недели подряд занимал первое место на FutureX

Три недели подряд один и тот же агент занимал первое место на еженедельном лидерборде FutureX. Не статичная модель, выпущенная раз и навсегда, а система, которая каждую неделю становилась сильнее за счёт собственных ошибок и удачных прогнозов. Авторы назвали её EvoForesight.

21 октября 2026 года на arXiv вышла работа группы из Gaoling School of Artificial Intelligence (Китайский народный университет), IQuest Research и Наньянского технологического университета. Сорок семь страниц, тринадцать рисунков, один жёсткий тезис: рекурсивное самоулучшение (RSI) невозможно изучать на замороженном датасете. Нужна среда, которая сама меняется, даёт объективную обратную связь и не заканчивается.

Прогнозирование реальных событий оказалось такой средой.

Три модуля, один цикл

EvoForesight состоит из трёх частей, которые замыкаются в кольцо. Имена выбраны не случайно: Prometheus приносит огонь из меняющегося мира, Branchus пытается разглядеть его будущее, Athena учит расти на том, что уже увидели.

Prometheus каждый день собирает новости с 125 сайтов и синтезирует вопросы, ответ на которые станет известен только через несколько дней. Это живой генератор задач: финансы, политика, спорт, технологии, стихийные бедствия. Сложность растёт по мере того, как агент начинает справляться с предыдущим уровнем. Авторы отдельно подчёркивают, что фиксированное распределение задач рано или поздно исчерпывает то, чему может научить. Состязательный синтез задач , нацеленный на слабые категории, держит петлю открытой.

Branchus — сам прогнозист. Он ищет доказательства, строит цепочку рассуждений и выдаёт вероятностный прогноз. Авторы тестировали его на четырёх базовых моделях разного происхождения и масштаба: Qwen3.8-Max, GPT-5.6-Sol, DeepSeek-V4-Pro и Claude-Opus-4.6. Во всех четырёх конфигурациях Branchus занимал верхние строки синтетического рейтинга, а четыре его варианта в сумме заняли первые три места общего списка. Разница с сильнейшей базовой моделью достигала 10,7 пунктов Bradley–Terry.

Athena — двигатель эволюции. Она берёт траекторию рассуждения, оценивает её судьёй, дистиллирует повторно используемые навыки и через обучение с подкреплением на верифицируемых наградах (RLVR) обновляет параметры. Параллельно среда генерирует новые задачи, бьющие именно по слабым местам. Три рычага — параметры, навыки, распределение задач — эволюционируют из одного и того же пула траекторий. Это принципиальный момент: не три независимых пайплайна, а один субстрат опыта, из которого одновременно растут и политика, и процедурное знание, и сам экзамен.

На старте в библиотеке было 88 живых траекторий. Через несколько раундов — 186, затем 262. Покрытие доменов выросло со 168 до 479. Одного только RLVR-цикла хватило, чтобы поднять точности выбора на 1,3 пункта. Дистилляция навыков сократила число вызовов инструментов примерно на 44% на задачах синтеза структуры. Цифры скромные по абсолютной величине, но они получены на реальных, а не синтетических исходах, и накапливаются от раунда к раунду.

FutureX как экзамен, который нельзя списать

FutureX обновляется каждую неделю и сверяет прогнозы с реальными исходами. Это не закрытый бенчмарк с известными ответами и не симуляция, где можно подогнать распределение. За три последовательных недельных окна (примерно с середины августа по начало сентября 2026) самоулучшающийся Branchus удерживал первое место по Bradley–Terry рейтингу среди всех участвующих систем. Авторы фиксируют прирост рейтинга до 195%.

В приложении к статье приведены полные таблицы лидерборда за четыре недели. На четвёртой неделе позиция слегка просела, и авторы отдельно разбирают причины. Живая среда не гарантирует монотонный рост. Именно эта немонотонность и отличает настоящий открытый мир от тренировочного полигона: мир не обязан подстраиваться под кривую обучения агента.

Отдельный стресс-тест — Нобелевские премии 2026 года. По литературе Branchus во всех прогонах ставил итоговую лауреатку Anne Carson в топ-2; по миру в части прогонов он единственный вытащил победителя наверх. Это не гарантия будущего оракула и не доказательство сверхспособности. Это показатель, что калибровка и устойчивость рассуждений растут вместе с опытом, а не только точности на удобных задачах.