八个人工智能系统在英超联赛投注中赔钱，并且测试失败。

General Reasoning 在 2023-24 赛季英超联赛期间测试了八个人工智能投注系统。该实验于 2026 年 4 月发布。所有受测模型均出现亏损。表现最佳的系统最终平均余额为 89.035 英镑，这意味着在 100.000 英镑的初始投资基础上亏损了 10.965 英镑。

测试的模型包括 Claude、Grok、Gemini 和 GPT-5.4。每个系统都获得了虚拟资金，用于在整个赛季中基于机器学习开发投注策略。根据 Portal do Bitcoin发布的信息，该研究揭示了人工智能系统在将理论知识应用于实际金融决策场景方面存在显著局限性。

评估模型的结果

这项测试名为 KellyBench。其名称源于凯利准则（Kelly criterion），该准则于 1956 年提出，用于确定在拥有市场优势时的最佳投注价值。测试系统能够背诵该公式，但无法在实践中有效运用。

由xAI开发的Grok 4.20表现最差。该系统在全部三轮比赛中均告失败，其中一轮甚至彻底破产，另外两轮则在赛季中途就放弃了。

谷歌的Gemini Flash模型在三轮测试中的两轮都失败了。该模型曾一次性下注约273.000万英镑，赌注基于其历史胜率三个百分点的优势。最终，该系统输掉了全部赌注。

在整个实验过程中，Anthropic 的 Claude Opus 4.6 模型平均损失了 11%。OpenAI 的 GPT-5.4 模型平均损失了 13,6%。使用该模型运行一轮实验的成本约为 2.012 美元。

上世纪1990年代的统计模型已经超越了现代系统。

上世纪1990年代末期提出的一种名为Dixon-Coles的统计模型，在评估的八个人工智能模型中，性能优于六个。该模型基于有限的数据运行。

研究人员指出：“Dixon-Coles 基准模型是 2000 年代提出的，已经过时，它既没有利用所有可用数据，也没有始终如一地考虑非平稳性。”他们补充道：“因此，许多高端型号，例如 Gemini 3.1 Pro，在 KellyBench 测试中未能超越或达到 Dixon-Coles 的性能，就更加令人惊讶了。”

对系统复杂程度的评估

研究团队与来自量化博彩基金的专家共同构建了一个包含44个要点的复杂程度评估标准。该标准涵盖了功能开发、投注规模、非平稳性处理和执行等方面。

在所有测试型号中，Claude Opus 4.6 的得分最高，为 32,6%。但这一结果还不到总分的三分之一。

更高的系统成熟度评分预示着更低的故障率（p = 0,008），且该评分与更高的整体收益呈正相关。系统失败并非因为市场竞争激烈，而是因为未能充分利用现有资源。

操作失误示例

GLM-5在测试期间生成了三份自我批评文件。这些文件正确地指出，其25%的编码平局率和对主场优势的高估对其收益产生了不利影响。

当他的账户余额达到 44.200 英镑时，模型观察到他预测的 40% 主场胜率在实际中只有 30%。系统从未更改代码，而是继续以同样的方式进行投注，直到耗尽资源。

Kimi K2.5 开发了一个数学上正确的凯利分数分配函数。该函数具有正确的公式和结构。但模型从未执行过该函数。

格式错误导致系统连续发送了大约 50 次错误的bash命令。模型的推理检测到了这个问题，并再次发送了错误的命令。一次无意中在伯恩利对阵卢顿的比赛中下注 114.000 万英镑（占剩余余额的 98%），最终导致他退出了游戏。

GPT-5.4 采取了更为谨慎的策略。该模型在进行首次投注前，使用了 160 次工具调用来构建模型。它计算得出，其对数损失 (0,974) 略高于市场损失 (0,971)。因此，它得出结论，自身并无优势。为了保住本金，该系统在赛季剩余时间里都只进行最低投注。

中心衰竭的诊断

研究人员将核心问题定义为“知识与行动之间的差距”。这些模型展现了阐明正确策略的能力，能够诊断失败原因，并找出损失根源。

这些系统未能验证代码是否按计划执行。它们没有注意到执行过程何时偏离了预期路线。它们也没有根据自身的发现采取任何行动。

商业决策主要基于固定条件。然而，体育博彩市场却是一个动态且不断变化的市场。研究人员指出：“KellyBench 要求参与者在数千个连续决策中保持一致的意图，监控这些决策的后果，并完成观察与行动之间的闭环。”

测试环境的特点

KellyBench 使用了 2023-24赛季英超联赛120 天的比赛数据。该测试具有一些特殊之处：数据不断变化，市场每周都在变得更加智能，以及没有比赛记录的升班马球队。

2026年初，人工智能基准测试表明，克劳德能够通过价格操纵、卡特尔协议和战略欺骗在商业模拟中占据主导地位。这种决策过程涉及静态竞争、有限的对手和明确的评分机制。KellyBench 的特点与商业模拟截然相反。

General Reasoning 首席执行官、前 Meta 人工智能研究员罗斯·泰勒 (Ross Taylor) 告诉《金融时报》，大多数人工智能基准测试都在“非常静态的环境”中运行，与现实世界几乎没有相似之处。他表示：“人们对人工智能自动化充满热情，但很少有人尝试在长期、真实的外部环境中评估人工智能。”

以往关于人工智能行为的研究

去年发表的一项研究发现，当人工智能模型被指示最大化奖励时，它们会表现出类似赌博成瘾的倾向。在模拟老虎机测试中，这些系统的失败率高达48%。

另一项涉及真金白银的加密货币交易比赛也曾出现过同样的可靠性问题，而且持续时间较长。

General Reasoning公司尚未就该实验发表评论。