AI World Cup 2026: Benchmarking Large Language Models for End-to-End Football Tournament Prediction
Dieses Paper präsentiert den „AI World Cup“-Benchmark, eine standardisierte Evaluierung, bei der zehn große Sprachmodelle unter identischen Bedingungen die gesamte FIFA Fußballweltmeisterschaft 2026 prognostizieren, wobei sich zeigt, dass GPT-5.5 Thinking primär aufgrund überlegener Vorhersagen in der K.-o.-Phase andere Modelle übertraf und dass der Erfolg bei der Turnierprognose signifikant von der Genauigkeit auf Spielerebene abweicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Computer nicht nur Fragen über die Vergangenheit beantworten, sondern versuchen, die Zukunft zu erraten. Dies ist das Reich der Prognoseforschung, ein Zweig der Wissenschaft, in dem Modelle wie Kristallkugeln fungieren und versuchen, Ereignisse vorherzusagen, bevor sie eintreten. Im Gegensatz zu einem Quiz, bei dem die Antworten bereits in einem Lehrbuch stehen, ist Prognoseforschung wie der Versuch, das Wetter in einem Monat vorherzusagen: Man muss widersprüchliche Hinweise abwägen, mit fehlenden Informationen umgehen und eine feste Vermutung anstellen, ohne das Ergebnis zu kennen. Die große Frage, die Forscher beschäftigen, lautet: Können diese superintelligenten Computergehirne, bekannt als Large Language Models (LLMs), tatsächlich besser darin werden als Menschen? Es ist wichtig, denn wenn wir Maschinen beibringen können, komplexe Ereignisse präzise vorherzusagen, könnten wir sie nutzen, um alles von Aktienmärkten bis hin zu Naturkatastrophen vorherzusagen, nicht nur Sport. Aber um zu wissen, ob sie wirklich gut darin sind, brauchen wir einen fairen Test, bei dem alle nach exakt denselben Regeln spielen.
Hier kommt die AI World Cup 2026 ins Spiel, ein massives, Echtzeit-Experiment, das das größte Fußballturnier der Erde in ein riesiges wissenschaftliches Projekt verwandelte. Die Forscher richteten ein „Battle Royale“ für zehn verschiedene KI-Assistenten ein. Sie gaben jeder einzelnen KI exakt denselben Schnappschuss der Turnierdaten, exakt dieselben Anweisungen und baten sie um eines: das gesamte Turnier vorherzusagen, noch bevor der erste Ball gerollt wurde. Sie mussten das Ergebnis jedes Gruppenspieles erraten, herausfinden, wer weiterkommt, und den gesamten „Bracket“ (den Pfad zum Finale) bis hin zum Champion zeichnen. Es war, als würde man zehn verschiedene Schüler bitten, einen riesigen, 104 Spiele umfassenden Turnier-Bracket-Bogen auszufüllen, aber mit dem Clou, dass der Bogen vollkommen konsistent sein musste – wenn man ein Team für einen Sieg in einem Spiel wählte, musste man auch dieses Team für den nächsten Sieg wählen.
Die Ergebnisse waren eine wilde Fahrt, die eine überraschende Wahrheit darüber enthüllte, wie diese KIs denken. Als sich der Staub legte und die echte Weltmeisterschaft 2026 endete, belegte das Modell namens GPT-5.5 Thinking den ersten Platz mit 744 Punkten, dicht gefolgt von GPT-5.5 (717 Punkte), Gemini (699) und Qwen 3.7 (687). Aber hier liegt der Clou: Der Gewinner war nicht das Modell, das am besten die Ergebnisse einzelner Spiele errat, in der Tat belegte das Modell, das die meisten einzelnen Spielergebnisse richtig getippt hatte, Claude Sonnet 4.6, nur den sechsten Platz insgesamt.
Warum drehten sich die Platzierungen um? Das Paper legt nahe, dass die Geheimzutat nicht darin bestand, zu wissen, wer ein einzelnes Dienstagabendspiel gewinnen würde, sondern darin, eine kohärente Geschichte für das gesamte Turnier aufrechtzuerhalten. Das Punktesystem war stark auf die K.-o.-Phase (die Ausscheidungsrunden) gewichtet. Die Daten zeigten eine sehr starke Verbindung (eine Korrelation von 0,986) zwischen der Gesamtpunktzahl eines Modells und der Genauigkeit seiner Vorhersage des K.-o.-Pfades. Im Gegensatz dazu gab es fast keine Verbindung zwischen der Gesamtpunktzahl und der Vorhersage der frühen Gruppenspiele. Es ist wie ein Detektiv, der den finalen Mord perfekt löst, aber die ersten paar Hinweise falsch interpretiert hat; in diesem Turnier zählte es mehr, die finale Geschichte richtig zu erzählen, als die Eröffnungsszenen perfekt zu machen.
Das Paper fand auch einige andere faszinierende Eigenheiten. Zum Beispiel war die KI, die sich ihrer Antworten am sichersten war (Mistral Medium 3.5), überhaupt nicht die genaueste. Selbstvertrauen und Genauigkeit waren im Grunde unzusammenhängend, mit einer Korrelation von -0,060, was darauf hindeutet, dass eine KI nicht deshalb recht hat, weil sie behauptet, sich sicher zu sein. Eine weitere Überraschung war die Champion-Vorhersage: GPT-5.5 Thinking war das einzige Modell, das Spanien als Sieger tippte, und in einer Wendung des Schicksals gewann Spanien tatsächlich das Turnier und besiegte Argentinien mit 1:0. Diese eine korrekte Vorhersage, kombiniert mit einem soliden Pfad durch die K.-o.-Runden, half ihm, die anderen zu überholen.
Letztendlich legt dieses Paper nahe, dass das Vorhersagen eines ganzen Turniers eine andere Fähigkeit ist als die Vorhersage eines einzelnen Spiels. Es geht nicht nur darum, ein guter Fußballanalyst zu sein; es geht darum, ein guter Geschichtenerzähler zu sein, der eine konsistente Erzählung vom ersten Pfiff bis zur finalen Trophäe aufrechterhalten kann. Während die Forscher vorsichtig darauf hinweisen, dass dies nur ein Experiment mit zehn Modellen ist und die Ergebnisse stark davon abhängen, wie sie entschieden haben, die Punkte zu vergeben, bieten die Erkenntnisse eine klare Roadmap für die Zukunft: Wenn wir wollen, dass KIs große, komplexe Vorhersagen treffen, müssen wir aufhören, sie Spiel für Spiel zu bewerten, und anfangen, sie danach zu beurteilen, wie gut sie das Gesamtbild erfassen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.