在迅速变化的社会背景下，大型语言模型（LLM）是否能够持续调整其对社会的理解？伊利诺伊大学厄巴纳-香槟分校（UIUC）的研究者在名为Social World Model的框架内研究了这一问题，利用如Polymarket和Kalshi等预测市场来观察突发新闻如何影响市场参与者的信念。研究团队与清华的初创团队Astraculum合作，开展了一项更深入的挑战，探索LLM的认知更新是否能够超越训练阶段，延伸到实际部署阶段。具体来说，LLM能否根据实时新闻和流动市场数据，自我调整，以便更好地应对未来的市场变化？为验证这一理论，研究团队在长达390天的真实数据上进行了滚动训练和持续回测，结果显示，持续自我更新的模型性能超越了GPT-5.6、DeepSeek V4 Pro以及Claude Opus 5等先进模型。

Social World Model的核心在于探讨人工智能如何解读人类社会在突发事件下的集体认知转变。研究集中在预测市场，因为这些市场基于尚存在不确定性的问题，能够通过参与者的真实投资最精准地反映出公众对信息的实时反应。通过将社会认知转化为经典的状态转移模型，研究者能够量化公众对未来事件的预判。例如，当我们讨论美联储是否降息时，当前的市场状态（即信念）可以通过市场合约价格反映出来。

为了将Social World Model实际应用于真实环境，研究团队让模型实时连接新闻源和市场数据。在每个预测时刻，LLM能够查看之前的市场状态与最新新闻，并判断集体信念会如何改变。这种动态调整能力让模型能够根据新信息做出更准确的市场预测。但如果模型的参数固定不变，那么它过去的经验将无法影响未来的判断，这给长期部署带来了挑战。 龙8头号玩家

为确保模型具备持续学习的能力，研究者认识到社会认知与市场逻辑并非静态，环境和参与者的反应会随时变化。因此，Social World Model需要具备不断适应这些变化的能力。模型必须能够根据实时市场反应调整自身的参数，而不仅仅是依赖历史数据。面对市场波动，最有效的学习策略并非直接根据价格变化调整权重，而是深入理解哪些突发新闻对市场变化产生了真正的影响。