自己调研：通过学习搜索来学习预测

该论文构建了一套基于 2100 多个已结算 Polymarket 问题的 agentic 预测环境、数据集与评测框架，智能体在 rollout 时自行通过网页搜索、页面阅读和金融时间序列获取上下文，并用单轮 GRPO 与 Brier 分数奖励训练 Qwen3.5-35B-A3B。训练后校准度提升 30-40%，每次 rollout 的搜索次数从 3.8 降到 2.25，并在相同框架下以约 5% 推理成本超过包括 Claude Opus 4.5 在内的四个前沿模型。

此前预测类工作要么在训练前冻结研究上下文，要么只在测试阶段使用 agentic 检索，收集证据的能力从未被奖励信号塑造。该工作把搜索行为直接纳入强化学习目标，使证据采集成为可训练技能，并公开环境、数据集与逐次 rollout 记录。

机制在于把搜索、读页和时序数据获取放进同一 rollout，用分层泄漏过滤限制信息只早于每个问题的截止时间，再以 Brier 分数作为奖励做单轮 GRPO。奖励同时惩罚过度自信与无效检索，因此模型学会少搜但更准，校准与搜索次数同步改善。

对预测、投研和情报类产品，这意味着小规模模型可经可验证奖励训练后在成本敏感场景替代大模型，推理成本约降至 5%。团队可复用其 harness 与数据集评估自家 agent 的检索纪律，而不是只比较最终答案准确率。

• 把该 harness 用于内部事件预测 agent 的检索策略评估，比较训练前后的搜索次数与校准度
• 在投研或风控流程中测试基于 Brier 奖励的微调，用约 5% 推理成本的模型承接高频预测任务
• 围绕分层泄漏过滤构建可复用的时间截止数据管道，保证回测不受未来信息污染
• 以逐次 rollout 记录为基础做检索行为监控，识别过度搜索和证据不足两类失败模式

• 该结论是否能在 Polymarket 之外的预测市场或企业自有事件数据上复现
• 搜索次数下降是否伴随个别类别问题上的信息覆盖不足
• Brier 分数奖励在长期或开放式预测上的稳定性尚未确认
• Qwen3.5-35B-A3B 之外的基座模型是否具有同样的训练增益