导读：假如把一支足球队交给 AI 经营，连管二十年，会发生什么？一支来自 AnalogyAI 的团队真做了这场实验：15 个当前最前沿的大语言模型，各带一支球队，跑满 20 个赛季、约 340 到 400 次决策，26 个工具随便用，最后由一个确定性引擎自动计分，没有人类裁判、也没有大模型评委。结果和直觉拧着来：最贵的模型不一定赢，开源模型能挤进前三；算力花销和名次完全对不上，烧钱最多的反而垫底；前五年领先不算数，跑满二十年排名彻底洗牌；真正决定成败的，是模型怎么记笔记。这篇文章顺着这几条反直觉的结论，拆开这套考试的设计、六个行为维度的发现、人类选手的对照，最后落回一个问题：长周期的 AI 智能体，到底该怎么评估、怎么设计。
第 1 章 结论前置：把俱乐部交给 AI 二十年，会发生什么
我猜你每天都会让 AI 干点活：写邮件、写代码、回客服。这些是执行，错了当场就能看见，改也快。可还有一类事叫管理：经营一家公司、带一支球队、做一笔几年后才见分晓的投资。管理难的从来不是做对当下这个决定，而是几百个决定连起来之后，还能不能不出大错。那如果真把一支足球队交给一个 AI，二十年不管，它给你带回什么？
这事离你并不远。现在已经有公司让 AI 当客服主管、当运营助理、当投资顾问，这些活都要连续做几百个决定，后果延迟显现。我们缺的不是会干活的 AI，缺的是判断它能不能长期把一件事管好的办法。而真要判断，就得有一场足够长、足够真实、足够公平的考试。这场足球实验，就是为这个问题设的一道考题。
AnalogyAI 团队最近真做了这场实验。他们挑 15 个当前最前沿的大语言模型（large language model，LLM），让每个模型独立经营一支足球队，一连 20 个赛季。每个模型要做出约 340 到 400 次决策，手里有 26 个工具，能查数据、谈合同、买球员、排阵容，还要和一群脚本驱动的对手俱乐部同场抢冠军。比赛跑在一个足球经营游戏里：每季 30 轮，二十个赛季累积约 4800 场模拟，约 470 名在役球员进进出出。论文和代码都挂在 arXiv 和 GitHub 上，谁都能下载来跑一遍。最后的分谁说了算？一个确定性引擎（deterministic engine）自动累积分，没有人类裁判，也没有另找一个大模型来当评委。结论一句话就能说完：最能打的，不是最贵的。
把结论摊开，一共四条：最贵的模型不一定赢，开源也能排进前三；算力和价格跟名次没有关系，花得最多的反而垫底；前五年领先不算数，跑满二十年名次可能彻底翻转；真正决定成败的是记忆策略，怎么记笔记比怎么花钱更关键。
把这四条放一起看，会发现它们指向同一件事：我们平时用来判断一个 AI 强不强的标尺，价格、体量、早期表现，在这里集体失灵了。它们不是没用，只是不够。真正拉开差距的，是那些看不见、也贵不起来的习惯：会不会提前安排、敢不敢把钱花出去、笔记到底怎么写。这些习惯，恰恰是后面几章要逐条拆开的东西。
先说最扎眼的这条。排第三的 kimi-k2.6 是个开源模型，得分 88.49，压过了两个体量更大、定价更高的闭源 GPT 变体，gpt-5.6-terra 的 86.66 和 gpt-5.6-sol 的 86.40。冠军 claude-fable-5 拿了 90.94 分，垫底的大模型 haiku-4.5 只有 36.90 分，比照纪律行事的脚本也高不了多少。15 个模型里 10 个闭源、5 个开源，最后站在领奖台附近的，既有顶级闭源，也有免费就能下载的开源。钱和厂商名气，在这里没有自动兑换成更好的名次。为了让你有分数的概念，论文还放了几个不用动脑的脚本当尺子：一个照纪律行事的脚本得 17.05 分，什么都不做的得 -0.90 分，完全随机的策略得 -17.21 分。乱动不但不加分，还会把俱乐部越做越贬值。
更让我意外的是算力花销这条。所谓词元（token），是模型处理文本的基本单位，用多少词元，大致就是烧了多少算力和钱。论文把各种口径的词元消耗和美元成本跟最终排名做了相关，系数落在 -0.19 到 +0.07 之间，p 值全大于 0.38。p 值大于 0.38 的意思是，这些相关系数在统计学上跟零没有差别，纯粹是噪声。翻译成大白话，算力花销和成绩之间找不到任何关系。烧掉 194M 词元的 deepseek-v4-pro 只排第十，烧掉 191M 的 grok-4.5 排第八，冠军 claude-fable-5 只用了 24M 词元，是全场最省的三家之一。二十年跑下来，词元消耗的跨度有 7 倍，名次却跟这笔账完全对不上。按每百万词元的效率算，最省钱的三家恰好是冠军这一档，最重度的花费者反而垫底。算力在这里更像一张入场券，买到了才能上桌，买得再多也不保证赢。
还有一条更隐蔽：前五年领先的模型，二十年下来可能垫底。deepseek-v4-pro 在第 5 年和第 10 年都是全场领先，最后掉到第 12 名；冠军 fable-5 在第 5 年只排第 5。用数字说，第 5 年的排名和最终排名相关系数只有 0.19，接近瞎猜，要熬到第 15 年才爬到 0.78。只跑五年就下结论，你会选出一份完全不同的榜单。这背后的原因值得多说一句：有些动作看起来永远安全，比如把现金攥在手里不花，当下挑不出任何错，代价却要几个赛季后才显形。短期看谁都挺聪明，拉长了，谁在裸泳才看得见。这也顺带解释了为什么这考试非得拉满二十年。
我自己最在意的是最后这条，它藏在记忆里。这套考试有个苛刻设定：每个决策停点（decision stop）都是一段全新对话，模型看不见之前的聊天记录，唯一能跨停点留下来的，是它自己写的一本笔记本（notebook）。为什么要这么苛刻？因为二十年积累下来的历史，早就超过了任何模型的上下文窗口，模型想记也记不下，遗忘躲不掉，区别只在于它选择忘掉什么、留下什么。写什么、怎么改，全由模型自己决定。光记笔记的方式，就暴露了两种死法：有的只往里追加，二十年攒成一本越来越厚的流水账，当前状态被旧历史淹没；有的每季推倒重写，计划永远来不及落地。冠军的写法是中间态，骨架稳定、状态每季更新。记忆策略成了决定成败的分水岭，这一块后面专门讲。
往下讲之前，我先把丑话说在前面：这套考试之所以可信，是因为它把作弊和偏心两个坑都堵死了。整个模拟跑在确定性引擎上，同一个随机种子、同一串动作，跑多少遍都是同一个结果，可以逐位重放，任何人都能复现。设想两个模型做了完全一样的动作，它们就该得到完全一样的结果，谁也别想靠运气蒙混过关。20 个模拟年，单核 CPU 只要 76 秒，配套 284 项测试，结果文件还带着引擎版本和参数的哈希，能对账、能审计。每个模型在 3 个不同种子下各跑一遍，看波动。市面上很多评测会让一个大模型去给另一个大模型的回答打分，这种裁判本身就有偏好、会出错；这里没有裁判，分数完全由机制累计。
再补一个能建立直觉的数字：约 340 到 400 次决策，相当于每天做一次重要决定，连续做 20 年。这么长的周期里，早期一个错误会像复利一样滚很多年才显形。这套考试想测的，不是模型能不能答对一道题，而是它能不能把一家要活二十年的俱乐部管好。论文还把模型表现拆成六个可测量的行为维度，终局意识、资金部署、主动控制、价格发现、记忆策展、算力效率。其中终局意识与最终成绩的关系最紧，相关系数 -0.58，资金部署与主动控制也咬得很紧，分别是 -0.50 和 +0.45。冠军的可怕之处在于六个维度没有一个明显短板，中游模型往往一强一弱。
再给个参照系。论文配了个开挂脚本，叫它特权 oracle（privileged oracle），它能直接读引擎的隐藏状态，动作还是走同一套 26 个工具，拿了 95.54 分，算理论上的能力上界。冠军 fable-5 的 90.94 分已经摸到 oracle 的约 95%，整套考试的理论天花板约 145 分，远没到顶。这说明分数不是随便堆出来的，也说明还有上升空间。
这篇文章会顺着这条反直觉的线索往下走。第二、三章先交代这场考试是怎么设计的，为什么非要用足球当考场，用什么办法保证公平；第四到第八章逐个拆开排名背后的原因，钱、算力、定价、记忆、人类对照；最后一章回到我们身上，聊聊长周期智能体该怎么评估、怎么设计记忆。而这一切，得先从一个看似简单的问题说起：为什么要费这么大劲，专门造一场足球经理的考试？
第 2 章 为什么要造一个"足球经理"考试
你可能没听过"基准"（benchmark）这个词，但它的逻辑你一定熟：想比较两个 AI 谁强，就给它们同一套题，看谁得分高。现在市面上最流行的那几套题，出的几乎都是"执行"题。SWE-bench 是让 AI 去修一个软件漏洞，WebArena 是让它在网页里点来点去完成任务，τ-bench 是让它扮客服把顾客的问题解决。这些题有个共同点：任务短、答案当场可判、做完就收工。你交上去一段代码，跑通了就是满分，跑不通就是零分，黑白分明。这类题刷出来的高分，久而久之成了 AI 的简历，谁都能在上面写两笔。可说到底，它们测的是"会不会炒一盘菜"，不是"会不会经营一家餐馆"。
下棋和经营餐馆的区别，正好卡在一个词上：长周期决策（long-horizon decision-making）。下棋每步的后果当场就显出来，吃掉一个子就是吃掉一个子，棋盘不会因为你昨天用过某招就偷偷涨价。经营餐馆不一样：你今天换了菜单，要三个月后才在账本上看到反应；你上周辞退了那个后厨，半年后才知道是不是个错误。现实里大多数工作更像餐馆，不像棋盘。运营一个产品、带一支团队、管理一笔预算，做的都是后果延迟显现、还互相纠缠的决定。管理的本质，就是在这种延迟里还能持续做对。而这件事，恰恰是我们在工作里最常被要求、又最容易被忽视的能力。
如果这些基准只是用来测"执行"，问题不大。问题在于，我们渐渐拿这些短题的成绩，去替 AI 打包票，说它"能干活""能管业务"。论文就戳破了这一点，说现有基准缺了三样东西。
缺的第一样，是长任务不竞争。就算让 AI 去管理一个仓库、跑一条供应链，它面对的通常是个静止的世界：货价不变、对手不动、规则不翻脸。可真实的生意场上，你的每一个动作都会被对手看到，对方会看穿你的打法，反过来压价、抢人、堵你的路。你降价促销，对手隔天就比你更狠；你囤了一批货，对手就故意等你资金链紧张再出手。没有对手的考试，测不出你会不会打架，更测不出你打不打得赢。
缺的第二样，是竞争不持久。有些评测也安排了对抗，但只跑一两轮就收工。一两轮测不出"反适应"，因为对手还没来得及学会应对你，考试就结束了。真正的较量是反复的：你涨价，对手跟着涨，你再换招，对手再拆招，二十回合之后谁还站着才算数。要等一个对手真正吃透你的套路，往往不是几天，是几个赛季。
缺的第三样，是短任务只测执行。会修一个 bug，不代表会运营一个产品三年。执行是对当下的一个指令做出正确反应，管理是把几百个当下连成一条线，还得保证这条线二十年不断。执行题里，做对一步就是一步；管理里，今天做对的一步，可能是三年后那场崩盘的伏笔。这是两种完全不同的能力，后者在短题里根本无处安放，只能靠一场长到让人不耐烦的考试来称。
那为什么大家以前一直用短题？一个现实原因是，长任务慢、贵、还难评分。一道修 bug 的题，几秒钟判对错；一场二十年的经营，得分怎么算都扯不清，稍不留神就成了评委说谁好就是谁好。所以短题先跑了起来，也够用。问题出在我们忘了它的边界，把"会修 bug"当成了"会经营公司"，这才需要一场专门的长考试来补。
真实世界的管理，恰恰把这三样全占了：又长、又有对手、对手还越来越了解你。为了把这股压力逼出来，论文给这场足球考试埋了四道坎，他们管这叫四个"需求"（demand）。
第一道坎是隐藏信息（hidden information）。球员的真实能力、成长潜力，还有伤病倾向、成长速度、状态老化的起点这些隐形特质，对所有人都藏着，包括你自己。你只能派球探去看，球探交回来的是一串带个人偏见的区间估计，而不是准确数字，而且这个偏差是永久的，你永远只能估到一个"真相加偏差"的位置。想要更准？那得靠跨赛季的统计推断慢慢逼近，急不来。赛季比分、合同、财务这些倒是精确可见的，可光看比分，你分不清赢球是靠球员还是靠运气。这就像二手车市场：卖家清楚车况，买家只能靠试驾和检测去猜。做管理的第一课，就是学会对着噪声估一个靠谱的数。
第二道坎是累积后果（cumulative consequences）。投青训、建训练设施，这些钱砸下去要好几年才见效；可一旦现金流断裂，俱乐部会破产，破产要扣分、要强制卖人，董事会信心崩了还会直接炒你鱿鱼。被炒之后也不是全盘归零，游戏给了一次重启的机会，但要打不小的折扣，这些后面会细说。前期犯的错不会当场爆炸，它会像复利一样滚很多年才找上门。而荣誉是逐年攒进最终得分的，每一个赛季的选择都在给二十年后的账本添一笔。这跟健身一个道理：今天练不练，三个月后才显在镜子里。
第三道坎是反适应市场（counter-adaptive market）。你报的价被拒一次，卖家心里就把底价悄悄抬高了；你跟同一家俱乐部反复交易，对方也会坐地起价；谈判刷屏刷得太勤，还会触发冷却。没有哪套固定策略能一直最优，你越用某套赢球手段，它的效果就越差。就像菜市场里那个摊主，发现你总来买他的菜，下次就悄悄涨你价。市场是会记住你、会算计你的，这是下棋的棋盘上从来没有的东西。
第四道坎是多目标压力（multi-objective pressure）。董事会同时盯着两本账：成绩和财务。既要你出成绩，又不许你乱花钱，赛季目标还会随你阵容的强弱自动调整。满足了一个约束，常常就得得罪另一个：你想冲冠军，就得加大投入，可财务纪律的红线就悬在头顶；你想守住现金流，成绩单又会越来越难看。这跟既要考高分、又不能不睡觉，是同一个处境。
这四道坎，单拎出任何一道都不算难。信息不全？多派几个球探就补回来了。后果迟到？盯紧账本就是了。市场算计你？少跟人讨价还价就行。老板两头都要？先顾一头再顾另一头。难的是它们同时压过来：你想多派球探，钱就少了；你想囤现金防风险，董事会又催你出成绩；你想趁市场没涨价赶紧买人，可你连球员到底值多少钱都看不清。四道坎互相咬合，才是真实管理让人头疼的地方。
为什么偏偏挑足球？因为足球经理这个角色，几乎天然打包了上面四道坎：一个赛季有几十轮，买卖球员有转会窗，青训投入要几年才兑现，董事会一边看积分榜一边看资产负债表。你既是教练、又是采购、还是财务总监，几种身份拧在一个人身上。这些规则全世界的球迷都熟，不用额外解释。换成一个抽象的供应链模型，读者还得先学一堆术语；换成足球，大家一眼就懂这个经理在干嘛、这步棋大概意味着什么。足球还有一层好处：它足够长，二十个赛季足够让一个人从青年队踢到退役，也足够让一个错误的引援彻底暴露。
所以用一场二十年的足球经营当考场，不是图它好玩。是因为只有这么长、这么挤、这么较真的局，才能把短题里根本测不出来的东西逼出来。而在这套考试里，连"管理"这个词都被拆成了可以量化的动作。这本身就是件新鲜事：过去"管理"只能靠感觉去评，现在有人试着给它配了把尺子。下一章，我们就进到考场里，看看那 26 个工具、三四百个决策停点，到底是怎么排布、怎么保证公平的。
第 3 章 考场长什么样：确定性引擎、26 个工具、340 个决策停点
上一章说的是为什么要考，这一章进考场，说说这考场到底怎么搭。先问一个最实际的问题：一场要跑二十年的考试，怎么保证它公平、可信，而不是谁运气好谁赢？考试要让人信，第一条就是：同一份卷子、同一个考生，不能这次高分、下次垫底。论文给的答案是三个关键词：确定性引擎（deterministic engine）、没有裁判、可逐位重放。
先说确定性引擎。你玩过带"随机"的游戏吗？开箱子、抽卡，结果每次都变，因为背后有个随机数发生器，而它常拿墙钟时间这类会变的东西当原料。这套考试也有随机，但用的是"计数式"的随机数发生器，一切随机都由种子（seed）锁死。同一个种子、同一串动作，跑一万遍也是同一个结果，连哪场比赛谁进球都一模一样，一个字节都不差。设想两个模型做了一模一样的事，它们就必须拿到一模一样的分数，谁也别想靠运气蒙混过关。
这个性质带来的好处叫逐位重放（bit-replayable）。整场考试二十年，从头到尾每一步都能原样重演，任何人都能复现论文里的每一个数字。要是你怀疑某个模型作弊了，可以把它的每一步都翻出来重放一遍。为了把这一点落到实处，作者写了 284 项测试盯着引擎，结果文件还带着引擎版本、参数、计分版本的哈希，能对账、能审计。一句话，这篇论文里每一个数字，你都能追到它到底是怎么算出来的。
考场的规模也摆一摆。一个世界里约有 470 名在役球员，二十年下来进出约 2000 名；每季 30 轮、每轮 8 场，二十年累积 4800 场模拟。每家俱乐部开局拿到的牌是一样的：声誉 70、一座 38000 座的球场、100M 的选秀预算、25 人的阵容。这么一场二十年的大戏，在单核 CPU 上只要 76 秒就能跑完，所以作者才敢让 15 个模型各跑 3 遍，还另设一个 15 家同场竞争的擂台。
这 15 个模型其实被分到两条赛道去考。第一条叫单机赛道（solo track），每个模型单独面对一批由脚本驱动的对手俱乐部，这些脚本有强有弱，当固定标尺用，看的是模型的绝对能力。第二条叫竞技场（Arena），把 15 个模型塞进同一个世界，大家互为对手，谁涨价谁压价都互相看得见，看的是相对的适应能力。两条赛道各考各的：单机赛道里能建立王朝的模型，进了竞技场，可能被对手的竞价一步步掏空。这个差别，第四章会细说。
真正要讲清楚的是决策停点（decision stop）怎么转起来。二十年不是一条连续的时间线，而是被切成一格一格的回合。每个赛季有 13 个计划停点，比如转会窗开了、赛季结算了，这些是定死的；还有约 6 个事件停点，比如主力受伤、对手来挖人，这些是临时蹦出来的。加起来一季约 19 个停点，二十年下来的中位数是 374 个，范围在 341 到 390 之间。换算成人话，就是每天做一次重要决定，连做二十年。为什么非要切成一格一格，而不是让模型一条线跑到底？因为切开之后，"思考"和"世界推进"就被拆开了：模型在一个停点里可以慢慢想，但世界要等它喊推进才会动。这一拆，也把记忆的需求逼了出来。
每个停点里，模型想思考多久都行，可以一轮接一轮地调用工具，直到它自己决定"我办完了"，喊一声推进（advance），世界才继续往前走。工具箱里一共 26 件：12 件用来查信息，11 件用来做动作，2 件用来写笔记本，最后 1 件就是推进。查询的有翻球员档案、看报价、查历史交易；做动作的有开续约谈判、出价买人、挂牌卖人、调整阵容。工具也不是随便用的：每个停点里查询有 30 次的预算，谈判类动作只有 10 次，唯独写笔记本是免费的。查询要卡预算，是逼模型别当复读机把整份历史全翻出来；谈判只给 10 次，是逼它想清楚再开口，别刷屏。这个免费不是大方，是故意的，看到后面你就明白为什么。
到这里，我自己最喜欢的设计登场了：记忆。每个决策停点，对模型来说都是一段全新的对话，没有聊天历史。它不记得上一个停点自己说过什么、做过什么。唯一的例外，是一本它自己写的笔记本（notebook）。跨过二十年的唯一线索，就是模型自己决定写下来的那点东西。记忆本身，成了一道考题。
为什么敢这么狠？因为二十年积累下来的历史，早就超过了任何模型的上下文窗口，模型想全记住也塞不下。既然遗忘躲不掉，不如让遗忘变成显式的、有边界的、由模型自己负责的。这套考试给模型配了四层记忆。第一层是状态包自动上下文（packet auto-context），引擎每个停点免费塞进来：联赛排名、现金、董事会信心、伤病、报价、停点之间发生了什么，这些不用模型操心。第二层是档案（archive），一份可以查询的全量历史，想查什么自己调。第三层是审计日志（audit log），记录模型的每一个动作，但它只用来重放和防作弊，永远不给模型看。第四层才是笔记本，唯一承载模型意图的地方：计划、为什么买这个人、冬天该卖谁，都用 append_note 和 rewrite_notes 写进去，再自动注入到每一个新停点。
这么一摆，门道就出来了。前两层是引擎和系统给的，所有模型一视同仁；第三层干脆不给看；真正能拉开差距的，只有第四层里模型自己选择写什么、怎么改。所有模型面对的是同一份契约，差别只在于它们怎么对待这本笔记本。这也是后面第七章要重点展开的事。
最后说说分数怎么算。最终分由三块组成，每一块都做了对数压缩。对数压缩的意思是，从 0 分爬到 20 分很容易，从 60 分爬到 80 分要难得多，所以分数不会无限堆，也逼模型持续努力，而不是指望一锤子买卖。三块的配比有讲究：荣誉是过去的成绩，增值是现在的身价，阵容价值是未来的家底，三样加起来，才是一个俱乐部二十年之后真正的模样。第一块荣誉，拿一次冠军记 100 分，进前四记 20 分。第二块是增值（value added，VA），这是主通道，算的是你把俱乐部交回来的时候，比接手那天值钱了还是贬值了。第三块是阵容价值，一个"稳定器"，防止有人只顾着刷荣誉、把家底掏空。
这里有个细节我特别喜欢：增值算的是净值，而净值不是账面上躺着的那堆钱。净值等于现金，加上阵容价值打八折的流动性折扣，加上设施，再减去还没付完的转会费欠款。所以"把俱乐部交回来，跟接手那天一样值钱"，增值就是 0，既没败家，也没增值。而且现金里超过三倍年薪账单的部分，只按三折计价。这是作者埋下的"反囤积折扣"（anti-hoarding discount），专门治"把钱攥在手里装安全"的选手：钱堆着不算全值，逼你必须把钱变成能赢球的东西。这跟现实里很像：把钱存银行永远不犯错，但一家公司如果只会存钱，离死也不远了。
这套打分还有几个漂亮的性子。因为做了压缩，第一个冠军大约值 17.7 分，第二个 8.7 分，第三个 5.9 分，往后一路递减，所以想靠刷冠军封神是行不通的，理论上限大约 145 分。反过来，按市场公允价买人其实不加分，因为阵容价值要打八折，只有买进低于八折价值的"真便宜货"才真正增值。一句话，分数奖励的是持续把俱乐部做得更值钱，而不是赢一场、囤一笔这种单点操作。
还有一条规则管着"半途而废"。能跑满二十年的，系数是 1；中途被解雇、破产或者主动放弃的，分数要打折，越早放弃折得越狠。这个打折还埋了个小机关：只折正分，不折负分，所以不存在"我主动死掉止损"的套利空子；反过来，坚持到最后一段，比提前一点点结算要多拿 25% 的溢价。意思很明白：坚持到底这件事本身，是被奖励的。
考场就这么搭好了：公平由引擎保证，记忆由笔记本承载，输赢由机制累计。20 年、340 多个停点，就这么一格一格走完。15 个模型排好队进场，二十年后谁能打出来，下一章揭晓。
第 4 章 排名出来了：最贵的不赢，最能说的不赢
15 个前沿大模型，每个接手一支足球队，从同一批球员池里建队，然后独自经营整整 20 个游戏年。每过完一个赛季，董事会考核你一次；二十年后，用一个固定公式，把二十年攒下的东西折算成一个总分。
这个总分由三块组成：拿过多少荣誉、俱乐部增值了多少、阵容有多值钱。其中增值是主通道，衡量的是一句话：你把俱乐部交回去时，是不是比接手那天更值钱。等于把一家公司交给你二十年，最后只看净资产涨没涨。分数越高，说明你越称职。
这二十年不是一次性的考试，而是一场复利游戏。荣誉逐年累积进总分，前期的错误会复利好几年，但也不是无法挽回，损失能慢慢补回来。所以这场比赛既奖赏耐心，也惩罚短视。
表格最顶端坐着一个特殊角色：特权 oracle，95.54 分。它不是大模型，而是一段脚本，全场唯一被允许直接偷看引擎隐藏状态的脚本。它的动作和其他模型走的是同一套工具，区别只在于它看得见每个球员的真实能力、每个卖家的心理底价。所以 oracle 的分数，是信息完全对称时的能力上限，也是衡量其他模型离全知有多远的那根尺子。
真正夺冠的是 claude-fable-5，90.94 分，摸到了 oracle 的 95%。第二、三名更有意思：开源模型 kimi-k2.6 拿 88.49 分，压在两个 GPT 变体上面，gpt-5.6-terra 86.66、gpt-5.6-sol 86.40。
排名继续往下走。muse-spark-1.1 以 83.19 排第五，glm-5.2 以 83.17 紧咬其后，grok-4.5 81.82、qwen3.7-max 80.66、deepseek-v4-pro 79.15、gemini-3-flash 79.06 依次挤进前十。再往后是 claude-sonnet-5 的 75.75、claude-opus-4.8 的 75.02、gemini-3.5-flash 的 74.59、minimax-m3 的 68.37，最后一名 claude-haiku-4.5 只有 36.90 分。
作为参照，三个盲脚本锚点给出了下限：heuristic 是 17.05，idle 是 -0.90，random 是 -17.21。一个有纪律的固定脚本能拿 17 分，什么都不做是负分，乱动则是最糟的负 17 分。模型们大多站在这些锚点之上，但离天花板还差得远。
这里有个细节挺反直觉：random 比 idle 还差。什么都不做的 idle 是 -0.90，闭眼乱动的 random 是 -17.21。在信息不完全的情况下，乱动比不动更能毁掉价值。管理这件事，做错事比不做事危险得多。
看到这张表，很多人会下意识按老规矩猜排名：比谁模型大、比谁烧钱多、比谁家牌子响。这也正是标题里"最能说的不赢"的意思，那些参数最多、宣传最响、聊起天来最伶俐的模型，未必守得住一家公司二十年。这张表最刺眼的地方，恰恰是这三条规律一条都不成立。
先说规模。kimi-k2.6 是开源模型，权重公开，谁都能下载，结果它排在两家闭源巨头的产品前面。88.49 对 86.66，差距不算悬殊，方向却是反的：更庞大、更受瞩目的模型，没有赢。这就像职场上，资历最深、title 最响的那个人，未必能把一个二十年的项目管好。论文把这点说得很直白：算力是必要的，但远远不够，它是必要不充分条件。
这里得区分两个词：执行和管理。一个模型在问答、推理这类短任务上拿高分，靠的是对单个问题的即时反应；而管理二十年，靠的是对延迟后果的耐心，和对隐藏信息的敬畏。论文要问的，正是模型能不能管理，能不能把一摊事长期管好，而不是只会执行单个任务。两套能力几乎不重叠。
再说价格。论文把每个模型的 token 消耗都记了账，从 gpt-5.6-terra 的 2800 万，一路到 deepseek-v4-pro 的 1.94 亿，差出约七倍。有人猜算力花得多就是多想，多想自然多赢。把 token 和得分摆在一起算相关，四个口径全部贴着零走，分别是 -0.19、+0.07、-0.23、-0.15，p 值都大于 0.38，换成美元计价口径也一样。花得最多的 deepseek-v4-pro 排在第 12 名，而最便宜的那一档里就藏着冠军。多付算力，在这道题里连一分的额外回报都买不到。
最后说厂商。前十名里闭源与开源混着坐：Anthropic 有 fable-5，OpenAI 有 gpt-5.6 的两个变体，Google 有 gemini，xAI 有 grok；开源这边，Moonshot 的 kimi、智谱的 GLM、阿里的 Qwen、DeepSeek 也都在榜。公司出身完全解释不了名次。冠军来自 Anthropic，亚军来自一家开源团队，这个事实本身就把"哪家最贵最强"的叙事打散了。想想也合理：各家实验室优化的都是聊天、推理、代码这些短任务基准，谁也没针对管一家公司二十年专门调过模型，出身优势在这道题上被抹平了。
顺带说一句，kimi-k2.6 这个亚军还有个不显眼的长处：三次运行的标准差只有 0.15，是全场最稳的一个。很多参数吓人、名气响亮的模型，反而波动巨大。稳定本身，在这道二十年长跑里就是一笔资产。
三条规律全部失效，说明这道题考的不是算力，也不是名气，而是别的什么东西。答案要到后面几章才揭晓，这里先记下一句：排名和直觉对着干。
排名表还有一个容易被忽略的细节，就是分数后面跟着的标准差。kimi-k2.6 的波动只有 0.15，几乎每次跑都是 88 分上下；而 haiku-4.5 的波动高达 22.73。波动大也不是垫底者独有的毛病：排第五的 muse-spark-1.1 标准差是 12.03，grok-4.5 是 9.87，qwen3.7-max 是 10.38，前十里也藏着这种忽高忽低的选手。论文里四个模型的波动超过了 20 分，意味着一个漂亮的平均分，可能藏着某一次中途崩盘的惨案。挑模型只看平均值，等于无视它翻车的那一面。这也解释了为什么论文每个模型要跑三个种子，而不是只跑一次就下结论。
更扎心的在后面。如果评估只跑五年，排出来的名单会是另一副样子。论文里 seed 1 那一轨，最好和最差的差距在第 5 年只有 17.2 分，到第 20 年拉大到 37.3 分。早期排名和最终排名的相关系数，第 5 年才 0.19，第 15 年才涨到 0.78。前期大家还在同一起跑线附近挤着，真正的差距要到后程才拉开。
这背后是一个叫信用分配（credit assignment）的问题：一场球输了，该怪前锋还是门将？二十年里哪一步走对了、哪一步走错了，本来就难算清。评估窗口越短，就越只能看到运气，看不到决策质量。所以论文坚持跑到第二十年，就是要让复利和崩盘都有时间现形。
deepseek-v4-pro 就是"早期领先是假象"的活标本。它在第 5 年和第 10 年都是领头羊，最后定格在第 12 名。反过来，最终冠军 fable-5 第 5 年才排第 5。用短一点的窗口去挑最会管理的模型，会挑出一份和真相没什么关系的名单。这给做模型评估的人提了个醒：长周期任务里的短期冠军，可能只是早熟，不是真强。
为什么前五年领先靠不住？因为很多决策的后果要几年后才浮出来。青训、设施、球员成长，都是慢变量；头五年风光，可能是吃老本，也可能是运气，还没到复利兑现或崩盘的时候。短窗口根本看不清这些。
说到底，二十年管理的难，难在后果会复利。第一年埋下的坑，可能第五年才裂开；头五年靠运气吃到的红利，也可能在第十年还回去。短窗口评估看不见这个，所以才会把 deepseek-v4-pro 当成冠军候选。真正能穿越二十年的，是那些每一步都不欠账的人。
榜单两端也很说明问题。垫底的 haiku-4.5 只有 36.90 分，和冠军差了五十多分，中间那一大坨模型挤在 74 到 83 分之间，说明大多数模型其实在同一个水平面上挣扎，真正拉开差距的是两端。
所以真正的问题来了：如果规模、价格、厂商三样都不管用，那到底什么决定名次？论文没有停在排名表上，而是把每个模型二十年的行为拆开，量出六根可以复现的尺子，下一章我们一根一根看。
我看完这张表，第一反应其实是不安。如果连花多少钱、用多大模型都预测不了谁管得好，那我们平时挑模型的那些习惯，是不是从一开始就用错了标尺？冠军离天花板还有多远，fable-5 拿到 90.94，oracle 是 95.54，相当于摸到了 95%。论文给的理论上限约 145 分，说明这个考场远没被做满，前面还有空间。但至少在这一轮里，结论已经清楚：规模、价格、厂商，三个维度都预测不了名次，能打的不是最贵的。这三个结论，每一个都值得单独写一篇，凑在一起就更扎心了。
第 5 章 到底什么管用：六维行为分解
总分只告诉你谁赢了，不告诉你为什么赢。fable-5 拿到 90.94，haiku-4.5 只有 36.90，中间差了什么？论文没有停在排名表上，而是把每个模型二十年的行为拆开，抽出六个可以反复观察的维度，再算每个维度和最终得分的相关程度。这六根尺子，比排名本身有用得多。
先说清楚一个前提：这些维度不是论文编出来的标签，而是从模型真实做过的一件件事里量出来的。每次续约提前了几个月、每笔签约报了几次价、账上的现金占净值多少，全都有数可查。输赢背后的行为，是可复现、可诊断的。
那这六个维度是怎么挑出来的？论文把每个可观察的行为都提出来，逐个算它和最终得分的相关，相关高、而且三个种子都稳定的才留下。最后留下六个。这不是拍脑袋，是让数据自己说话。
第一根尺子叫终局意识（endgame awareness）。二十年的局总有结束的一天，聪明的经理会在最后阶段减少那些好几年后才回本的投入，比如设施和青训。论文用末段（第 17 到 20 年）相比中期（第 2 到 16 年）的投资动作率变化来量，和得分的相关是 -0.58，六个维度里最贴分的一个。
注意这个 -0.58 的分量：它比任何资源指标都更能预测名次。规模、价格、厂商全都零相关，而一个行为维度就能解释相当一部分差距。这说明决定输赢的，不是你有什么，而是你做什么。
为什么末期要减投资？因为设施和青训的回报要五六年甚至更久才兑现，而游戏只剩三四年。这时候再投，等于把钱打水漂。能意识到这一点的模型，自然会把资金转向能立刻兑现的地方。
这个维度的相关不是靠运气。论文把三个种子分开算，每个种子都是负号，-0.31、-0.34、-0.28，方向完全一致。一个维度如果换个随机世界就变了号，那它多半是噪音；三个世界都同号，才值得信。
看具体数字就明白有多重要。冠军 fable-5 把设施青训动作从每季 2.4 次降到 0.8 次，gpt-5.6-terra 从 1.4 次降到 0.4 次。gemini-3.5-flash 是反例，它不降反升，从 2.4 次涨到 3.3 次，第 19 年还在兴建设施，等于比赛都快结束了，还往二十年才见效的项目里砸钱。
这就像下馆子快打烊了，还点一桌要炖三小时的汤。汤好不好另说，关键是喝不上了。
终局意识还是长周期评测独有的维度。在短任务里，比如写一段代码、答一道题，根本不存在"快结束了，别投长线"这回事。只有把时间轴拉长到二十年，终局才成为一个需要被意识到的变量。
第二根尺子叫资金部署（fund deployment），通俗说就是钱有没有闲着。论文用赛季末现金占净值的比例来量，和得分的相关是 -0.50。超过 100% 意味着账上闲置的现金，比整个俱乐部折现后的净值还高。
垫底的 haiku-4.5 平均囤着 196% 的闲置现金，glm-5.2 是 135%，opus-4.8 是 134%。冠军只留 80%，全场中位数是 90%。注意一个容易看错的地方：问题不在于花不花钱。论文发现设施投资总额和得分根本不相关，真正的信号是钱是否闲置，不是是否花钱。
论文还专门设了一个机制，防止存钱赢比赛：净值里现金超过三倍年薪账单的部分，只按 0.3 计价。意思是，钱堆在账上，账面上好看，可它不算全值。这个反囤积折扣（anti-hoarding discount），逼着经理去花钱、去部署，而不是当守财奴。
为什么攥着现金这么诱人？因为持有现金是当下最安全的动作，董事会查账时账面好看，什么风险都没有。代价却要几个赛季后才浮出来，那时候机会成本已经收不回来了。用一个生活里的例子：把钱全存银行定期，取不出来，却觉得自己很安全，直到要用钱的那一刻才发现流动性比利息值钱。俱乐部经理攥着现金，本质上是同一种错觉。
这个维度三个种子的相关也是同号，-0.74、-0.60、-0.34。越是把钱囤着不动的，越容易输。
第三根尺子是主动控制（proactive control）。论文看的是续约谈判开启时，合同还剩几个月。和得分的相关是 +0.45。冠军中位数提前 18 个月就动手，只有 4% 的续约拖到最后 6 个月才开。opus-4.8 中位数只提前 10 个月，20% 拖到最后一刻；haiku-4.5 更糟，提前 11 个月、21% 临门一脚。
提前 18 个月和提前 10 个月，差的是什么？是主动性。合同到期是完全可以预见的事件，聪明人早早就开始谈，把主动权攥在自己手里；被动的人要等到火烧眉毛，只能接受对方开的价。这有点像租房续约，房东提前三个月问你续不续，你可以从容比价压价；等合同到期的前一天才想起来，就只能接受房东的任何条件。
这个维度的三个种子分别是 +0.68、+0.18、+0.47，方向同样是正的。提前量这件事，稳定地指向好成绩。它区分的是会做事和会提前做事。
第四根尺子是价格发现（price discovery），下一章会单独展开，这里先看结论：每签成一笔交易，冠军要报 9 次价，全领域中位数是 30 次，最差的 gemini-3.5-flash 要 73 次。这不是市场冷清，是定价能力差。
还有个细节很耐人寻味：同一个 fable-5，在 solo 赛道每季只报 0.5 次价，到了 Arena 竞争场每季要报 4.6 次。市场变挤了，它才知道要多试价。定价能力不是固定的，是跟着环境走的。
第五根尺子是记忆策展（memory curation），也会在后面的章节细讲。这里记住一个结论：冠军的笔记本相似度是 0.39，处在稳定骨架加每季更新的健康区间；而 0.91 的只追加档案、0.20 的全推倒重写，两头都是死路。顺带说一句，模型们的笔记本年末大小从 0.4k 到 209k 字符不等，有人记得太多，有人记得太少，也有人记得刚好。
第六根尺子是算力效率（compute efficiency）。token 从 2800 万到 1.94 亿差七倍，和得分零相关；按每百万 token 换多少分算，冠军和最省的 gpt-5.6-terra 并列第一梯队，烧钱最多的一批垫底。换句话说，赢家是全场最便宜的三家之一，花最少的钱，拿最高的分。
算力这根尺子还藏着个反直觉：烧钱多不是罪，烧钱没回报才是。token 七倍差距零相关，说明多花的那些 token，大概率都浪费在了来回试错上，而不是用在想清楚上。
把这六根尺子叠起来看，赢家的画像就清楚了。它不是某一项最强，而是六个维度都没有明显短板，像一个各科都能过线的学生。中游选手往往是一强一弱，某个维度做得漂亮，另一个维度就露怯，总分被短板拖下去。
这里得说句公道话：均衡不等于平庸。冠军的均衡，是六个维度都过了及格线甚至更高，而不是六科都糊弄。反过来说，中游选手的一强一弱，弱的那项往往是致命的，因为二十年的复利会把短板无限放大。
所以这一章的结论，不是"想赢就去练终局意识"这么简单，而是另一层意思：赢家赢在六科均衡，而不是单科满分。单看任何一个维度，都不足以解释名次；把它们合起来，差距才显出来。
对做模型评估的人，这六根尺子还有个额外的好处：它们告诉你的不是谁输了，而是该改哪。总分说 haiku 垫底，尺子说它的钱闲置了 196%；总分说 gemini-3.5-flash 靠后，尺子说它第 19 年还在建房子。诊断价值，比排名本身高得多。
把这套拆法借用到现实里也成立。招一个能管二十年项目的人，别只看他多聪明、多能说，要看他会不会在收尾前收手、会不会让钱躺在账上睡大觉、会不会提前几个月就把续约谈妥。这些才是能把事情管好的证据。六个维度，说到底是六种可以训练的习惯，而不是什么天赋。
六根尺子里，价格发现这根尤其值得单独拎出来讲。它是全领域最整齐的软肋：最好的模型要报 9 次价，最差的要 73 次，连冠军都躲不开这一关。下一章，我们专门看市场是怎么二十年都教不会模型定价的，那是个更让人哭笑不得的故事。
第 6 章 市场教不会的定价：30 次报价才买来一个人
买一个人到底要出几次价？买过房的人都懂，第一次报价几乎不可能成交，得来回几轮，才能摸到房东藏在心里的那个价位。论文把这个过程量化了：每签成一笔交易，模型平均要报多少次价。这个数字，就是价格发现（price discovery）的分数。价格发现，说白了就是通过反复询价、被拒，来逼近市场真正的接受价，是每个经理逃不掉的基本功。
答案让人哭笑不得。特权 oracle 首报价直接成交，1.0 次。全领域的中位数是 30 次。最好的 fable-5 也要 9 次。最差的 gemini-3.5-flash 要 73 次，某个种子下甚至冲到 133 次。想象一下，为一笔转会来回砍价 73 轮，这已经不是在交易，是在猜谜。
先别急着嘲笑。这个数字背后藏着一个更深的发现：20 年里，模型被拒绝了数百次报价，却始终没学会市场价格的边界到底在哪。按理说，被拒一次就该下调心理预期，被拒一百次总该长点记性。可模型没有。
为什么被拒一百次还不长记性？因为反馈本身就是乱的。设想你报 1000 万被拒，你猜对方要 1200 万，于是降到 800 万再试，又被拒，可这一次对方把要价抬到了 1500 万。你收到的信号不是我出低了，而是市场又变了。反馈被自己的行为污染过，模型从中推不出任何稳定的规律。
原因藏在环境机制里，论文把它叫作反适应市场（counter-adaptive market）。你报一个价被拒，卖家不会明说自己的底价，反而会悄悄把隐藏的要价抬高。你越是锲而不舍地还价，对方越是往上涨。这就像菜市场里的摊主，发现你总在他家买，就悄悄把价往上抬，你还以为是自己砍价不够狠。
这个反适应市场，至少有三个不怀好意的机制。被拒的报价会抬高隐藏要价；跟同一家俱乐部反复交易，价也会被抬起来；谈判时刷屏还会触发冷却。三条加起来等于一句话：没有哪个固定策略能一直保持最优，赢球的招数用多了，市场就学会了对付你。
谈判还有冷却：同一个停点里能谈的次数是有限的，谈崩了还得等。越急越谈不拢，越谈不拢越急，恶性循环就这么转起来。
重复交易也是坑。你跟同一家俱乐部做了几笔买卖，对方摸清了你的预算和急切程度，下一笔就专门为你抬价。熟客不但没有优惠，反而被当成最肥的羊。
这跟股票市场、二手平台完全不是一回事。那些市场里，价格大致是公开的、静态的，你多看几眼行情就心里有数。这里没有行情，价格是活的，会记仇，会报复你的每一次还价。
换句话说，模型把市场当成一台静态的机器，以为多试几次总能撞对参数。可市场是一群会记仇的对手，它在根据你的行为实时调整自己。你上一轮暴露出的急躁，就是它下一轮涨价的理由。
这不是市场冷清，是定价失败。论文里的方向很明确：所有模型都低估了会涨价的市价。不是没人卖，是模型根本不知道该怎么出价、出到哪停。
这里有个活生生的案例。一个中档模型去买人，球员年薪从 1200 万被一路抬到 1400 万、1700 万、1800 万，模型照单全收。设想一下那个谈判现场：你要买一个前锋，对方开价 1200 万年薪，你还价，对方加到 1400 万；你再争取，变成 1700 万；最后成交 1800 万。整个过程中，你没有一次判断出这个球员到底值多少，只能一路接受对方越抬越高的数字。
同一类模型还有更惨的下场：工资支出超过了收入，直接把自己搞到破产。不会定价的人，最后不是买贵了，是把自己买没了。
设想一个理想经理会怎么做：第一次被拒后，不盲目加价，而是换一个相似位置的球员再询价，用几个锚点拼出市场的大致区间，再回头出价。说起来简单，真做起来是另一回事。
为什么模型这么难学会定价？回头想想隐藏信息（hidden information）这个设定就明白了。球员的真实能力、卖家的心理底价，从一开始就对所有人隐藏。球探返回的只是一个带永久偏差的区间，你永远看不到那个真相。这跟二手车市场一模一样：卖家知道车有没有泡过水，买家只能靠试驾和检测去猜。信息天然在卖家手里。
可 oracle 却能首报价成交。它唯一的不同，是能直接偷看隐藏状态，知道卖家的真实底价。这一对比就说明：定价差的根源不是嘴笨、不是不会算，而是信息不对称。oracle 的 1.0 次报价，恰恰证明不是市场不给成交，而是信息对称的人一步就能到位。模型看不到底价，又学不会从被拒里反推底价，于是永远在瞎猜。
也别以为冠军就多会砍价。fable-5 也要 9 次才成交，比 oracle 的 1 次差了八倍。连最好的模型都在这一项上大失水准，可见这不是个别选手的毛病，是整个物种的短板。
可这个短板不是不能补。冠军 9 次、最差 73 次，中间差出八倍，说明定价这件事是有高下之分的，只是大多数模型都没摸到门。
更耐人寻味的是，同一个模型，换个市场，定价表现立刻不一样。fable-5 在 solo 赛道每季只报 0.5 次价，到了 Arena 竞争场，同样的模型每季要报 4.6 次价。市场变挤了、对手变凶了，它就知道得更用力地试价。
这说明模型不是完全没有定价能力，而是它的定价策略高度依赖环境。在温和的 solo 世界里，它轻轻试一下就能成交；到了乱成一锅粥的 Arena，它得多试九倍。定价能力不是一个固定的开关，是跟着环境伸缩的肌肉。
这也是为什么同一个人在不同市场表现天差地别。定价不是背下来的价目表，是一种对环境的实时判断。环境一换，肌肉记忆就失灵。
再看看 Arena 里的行为账本，更能看出报价次数背后的东西。冠军 fable-5 二十年只报了 91 次价、做了 1315 个动作，每一步都攒在一条长期计划上。而 gemini-3-flash 报了 452 次价、2642 个动作，笔记本每个危机都要推倒重写，永远在救火。报价次数不是勤奋的勋章，是迷路的里程表。
人类玩家在这里也没讨到便宜。六个第一次玩的人，普遍反映看不见卖家接受价，根本判断不出该出多少。定价这件事，对人和对模型一样难，因为难的不是计算，是猜一个被故意藏起来的数。
人类被解雇的那几位，栽的坑和模型高度重合：看不见卖家的接受价、工资账单拖了几季才到账、出了事不知道该怪哪一步。定价这场考试，人和模型坐在同一张难卷子上。
这件事放到现实里其实很要命。今天已经有一堆公司想用大模型做定价、做采购、做自动谈判。如果模型连一个模拟的足球转会市场都谈不下来，被拒一百次还不长记性，那把它扔进真实的价格谈判里，多半只会被对方牵着鼻子走。
反过来想，一个真能定价的 Agent 值多少钱？它能替采购砍价、替销售定价、替投资做估值。前提是它先学会从被拒里读出信息，而不是被拒一百次还在原地震。
我看这一章最大的感触是：我们总以为谈判靠的是口才和气势，可这里的证据指向相反的方向。真正决定成交效率的，是能不能从一次次被拒里，慢慢拼出对方不愿说出口的那个数。
把这一章收起来，结论就一句：定价是模型集体的软肋，二十年、数百次被拒，都没教会它们市场价在哪。市场不是一张标好价格的菜单，它是一个会随着你的出价悄悄涨价的对手。想在这道题里赢，光会算账不够，还得会从被拒里读出信息。这条教训，值得所有想用 AI 做生意的人记在账本第一页。下一章，我们把镜头转向一个更安静、也更致命的东西：模型自己的记忆。
第 7 章 记忆的两种死法：只追加的档案，和每季推倒重写
想象你是一家足球俱乐部的经理，但规则很古怪：每个星期上班，你的大脑都被清空一次。上一周谈妥的转会、对某个年轻球员的五年规划、决定夏天卖掉的那个前锋，全部消失。你唯一能依靠的，是上星期下班前自己留在抽屉里的一张便签。这就是 FM-Bench 给每个模型安排的处境。
在论文的设计里，每个决策停点（decision stop）都是一次全新的对话，聊天记录不保留。模型跨过停点唯一能带走的，是一本它自己写的笔记本（notebook）。引擎会免费把联赛位置、现金、董事会信心这些"当前状态"推给模型，这些不用记。真正需要模型自己写下来的，是意图：为什么买这个人、计划冬天卖掉谁、下赛季把预算押在哪。
笔记本只有两个写操作：追加一条笔记，或者整体重写。写进去的内容，会在接下来每一个决策停点里原样注入，成为模型"想事"的起点。于是，模型记得什么、忘掉什么、把什么留在纸面上，就成了一种选择。记忆策展（memory curation）本身，成了被测试的能力。
模型一共有四层记忆。第一层是引擎自动注入的当前状态包；第二层是可查询的完整历史档案（archive），只读、要主动去查；第三层是审计日志，记录每一个动作，但永远不给模型看，只用于回放和防作弊。第四层，也就是唯一承载意图的那一层，才是笔记本。四层里只有笔记本真正属于模型，也只有它决定了一个模型记得什么。
这四层的分工很细。历史档案可以查，但要模型主动去调，它不会自己跳出来；审计日志干脆连看都不给看，因为一旦模型能读自己的操作流水，它就能靠"我记得刚才做了什么"作弊，破坏"每个停点都是全新对话"这个前提。笔记本是唯一允许模型自由改写的一层，所以它天然成了记忆策略的战场。
为什么要把记忆逼到这么狠？因为 20 个游戏年产生的历史，超过任何模型的上下文窗口。有人会问，为什么不直接把窗口开大？答案是开不动：20 个赛季、几百个停点、几千次工具调用，最长的窗口也装不下，成本还会爆炸。所以问题不是"要不要忘"，而是"怎么忘得聪明"。遗忘是不可避免的，论文的做法是让遗忘显式、有界，并且归模型自己管：所有模型面对同一份契约，差别只在它们选择写什么、怎么写。
这套设计里藏着个漂亮的闭环。上下文装不下二十年，所以必须靠笔记本；笔记本是唯一能自由改写的状态，所以记忆策略成了可测的变量；一旦可测，两种死法和一种活法就第一次清楚地浮出水面。这也是论文最妙的一手：把"记忆"这件听起来很玄的事，变成了一个能用 0 到 1 之间的数字衡量的东西。
于是出现了两种典型的死法。
先看衡量的那把尺子：笔记本相邻两个赛季末快照的 TF-IDF 余弦相似度。1 表示一字不改，0 表示彻底重写。它量的是"这个模型有多爱改自己的笔记"。
第一种死法，是把笔记本当档案库，只追加，从不删改。gpt-5.6-sol 的相似度是 0.91，几乎只往里加东西。20 年的记录堆在一起，当年那句"计划冬天卖掉 Y"还在，但它淹没在几百条过时信息里，当下的状态反而找不到了。设想你翻一本二十年没整理过的笔记本，想找"我上周决定卖谁"，结果前面几十页全是十年前某场谈判的复盘。档案很全，人很迷茫。
第二种死法，是每季推倒重写。claude-sonnet-5 的相似度只有 0.20，qwen3.7-max 是 0.23，等于每个赛季末把笔记本几乎全撕了重写。后果是：任何跨赛季的计划都活不过一个夏天。你刚写下"未来三年重点培养青训"，下个赛季这份计划就被新笔记覆盖了。计划从不落地，因为它根本活不到落地那天。
设想你同时给两家公司做财务顾问。甲每次开会都带同一本厚文件夹，从第一年攒到现在，从不清理；乙每次都换一份新的两页纸，上一季的目标一个字不剩。半年后，甲还在翻去年的旧账，乙还在重新定目标。两边都成不了事。这就是那两种死法在现实里的样子。策展的本质，是判断什么信息会过时、什么信息要长留，这个判断能力比写多少字更值钱。
赢家 claude-fable-5 走的是中间路线，相似度 0.39，而全体模型的中位数是 0.31。它保留一个稳定的策略骨架，每季只更新状态那一块：谁涨球了、谁该卖了、董事会现在最在意什么。骨架不动，血肉常新，这就是"骨架稳定、状态更新"。
但这里有个很容易误读的地方：处在中间值，不等于就能成功。claude-haiku-4.5 的相似度也是 0.31，跟整体中位数几乎一样，它却在排行榜垫底，只有 36.90 分。记忆策展做得"看起来正确"，只说明你没犯那两种明显的错，不代表别的维度也过关。记忆是必要不充分。
那有效记忆到底长什么样？论文把它拆成三层。事实层是引擎自动记录的、不可变的，比如合同和伤病；计划层是"我想干什么"，要稳定但可修订；状态层是"现在到哪一步了"，要每季更新。只追加的模型把三层搅成一锅历史，全重写的模型连计划层也一起撕了。赢家恰好三层都照顾到。
拿一个具体的转会举例。事实层记的是：这位中卫合同还剩两年，周薪多少。计划层记的是：我打算冬天之前把他套现，因为他的伤病倾向一直在涨。状态层记的是：已经有两家俱乐部询价，其中一家出价偏低。三层分开写，每季只需要动状态那一小块；三层搅在一起写，一改就全乱。分层和混写的差别，二十年下来就是冠军和垫底的距离。
还有一个更扎心的发现，藏在 claude-opus-4.8 的笔记本里。它在第 10 个赛季写下"闲置现金应该投入质量"，在第 19 个赛季写下"储备被折现了，应该转成年轻球员"，两条都写对了。可最终结算时，它手里还攥着大约 2100M 的闲置储备，赛季末现金平均是净值的 134%。它知道该做什么，也写下来了，就是没做。论文管这个叫知道-做鸿沟（knowing-doing gap）。写对和执行，是两种能力。
这件事细想挺吓人的。我们通常以为，模型写得出来的，就说明它懂了；懂了，就会去做。但 opus-4.8 给出了反例：写下正确判断，和把这个判断变成每个停点里的动作，中间隔着一大段执行纪律。规划能力和执行能力是两种不同的能力，后者在长周期里更稀缺。
这条鸿沟在竞技场里看得更清楚。同样面对危机，gemini-3-flash 的做法是每遇到一次危机，就把笔记本重置成当下赛季的"本地救火"方案，救完火再推倒，再救火，20 年里发了 452 个报价、做了 2642 个动作，忙得不可开交，分数却不高。赢家则是 20 年一个累积计划，91 个报价、1315 个动作，稳稳走完。忙，不等于对。
还有一点，笔记本的体量差异也能说明问题。到第 20 年结束时，有的模型笔记本只有 0.4k 字符，最多的堆到 209k 字符，差了五百倍。整个 20 年，模型平均往笔记本里写了 354 次。体量本身不说明好坏，只说明每个模型对"未来自己需要知道什么"的判断天差地别。设想一家真俱乐部，档案柜塞满二十年剪报，和一本薄薄的、只有三页但每页都写着关键决策的手册，哪个更可能帮你赢？
说实话，我看完这一章，最先记住的不是那些相似度数字，而是那本只有 0.4k 字符的笔记。一个模型二十年里只留下这么点东西，居然还能活下来，靠的恐怕不是记得多，而是记得准。这跟人没什么两样。回头看整个设计：20 年的历史塞不进任何窗口，所以模型必须学会遗忘。笔记本这个机制，把"遗忘什么、记住什么"变成了一道显式的、有界的、只属于模型自己的题。你记下的东西，决定了你是什么样的人。对一家俱乐部来说，你记下的东西，决定了你二十年后的账本。
第 8 章 人类上场：最好的新手排在模型榜末尾
论文没让模型自娱自乐，它还找了 6 名人类玩家，第一次接触这款游戏，跑同一条 solo 赛道。结果有点残酷：4 个人中途被董事会解雇，只有 2 个人撑完了 20 个赛季。撑完的两个，分数是 74.64 和 59.95。
74.64 这个成绩，和 gemini-3.5-flash 的 74.59 几乎持平，比冠军 claude-fable-5 的 90.94 低了 16 分。换句话说，最好的首次人类选手，排在模型榜的底部。
这话得细品。排在模型榜底部，不等于"人不如机器"。那些模型每个都跑了 3 个 seed、几十次完整赛季，经验是人类玩家的几百倍。而人类是第一次玩，手忙脚乱地撑过几百个停点。拿一个新手的一次发挥，去和几十次打磨过的机器均值比，本来就该输。真正有意思的是：输的姿势和模型一模一样。
从方法上讲，人类对照给的是一个"难度锚点"。如果最强的新手都能轻松拿 90 分，说明这个游戏对模型太简单，测不出差距；如果人类全军覆没，又说明游戏难得不切实际。6 个人、2 个完成、最好 74.64，这个分布恰好落在"难但能玩"的区间，让模型的成绩第一次有了参照系。
先说人类为什么难。6 个玩家都是第一次玩，没有模型那种 26 个工具随便调、几千万 token 随便烧的待遇。被解雇的 4 个人，解雇时点分别在 t=10.8、10.7、7.8、12.3，都死在中段。更要命的是，4 个人全都低于 heuristic 纪律脚本的 17.05 分锚点。
四个解雇时点有个共同点：都集中在第 7 到第 12 个赛季，没有人死在开局，也没有人拖到最后。开局时大家靠新鲜劲撑过去，到中段，前期的错误开始复利，现金、阵容、信心的窟窿一起爆发，解雇就成了大概率事件。
还有个小细节：两个完成者都是零死亡，没被解雇、没破产、没放弃，实打实跑完了 20 年。光这一条，就超过了 heuristic 脚本在 9 次运行里 7 次中途死掉的表现。能活着走完全程，本身就是个门槛。
这里得先把标尺摆正。论文放了三个脚本锚点当固定刻度：heuristic 是照着简单纪律机械执行的脚本，17.05 分；idle 是什么都不做，-0.90 分；random 是乱动，-17.21 分。random 比 idle 还差，说明瞎折腾比躺平更毁价值。而 4 个被解雇的人类，连 heuristic 那条机械纪律线都没到。
但人类也有模型没有的本事，而且恰恰是模型最缺的那几样。论文归纳了三点。第一，人类会从经验里推导出固定规则，然后坚持执行，模型却容易被每次谈判的新情况带跑。第二，人类发现自己的策略失败后，会在中途主动修订，而不是一条路走到黑。第三，人类会自己造外部工具，比如用表格记录那些引擎没有直接显示的隐式状态，来补足看不到的信息。
设想一个玩家前半程死守"只买便宜货"的策略，结果发现便宜货全是隐藏的伤病炸弹，于是他中途把规则改成了"便宜可以，但先查伤病史"。这种"发现规则失效就当场修订"的动作，模型很少做。模型更常见的是带着同一套定价逻辑从头买到尾，20 年里被拒了几百次，也没改。
还有一个更直观的例子。设想一个玩家发现引擎不直接显示"我还有多少预算押在工资上"，于是他开了一个自己的表格，每签一笔都记下来，靠这个外部账本推断现金流的走向。这种"用工具补看不见的状态"的做法，模型里没有一个自发做过。模型只会调引擎给的 26 个工具，不会自己再造第 27 个。
这三点放到模型的六维行为分解里看，简直是对症下药，模型缺的正是主动控制（续约总拖到最后一刻）、价格发现（30 次报价才买来一个人）和记忆策展。人类赢在这些"软"的地方，输在体力、算力和海量信息处理上。
如果把人类的三样本事和六个行为维度对个号，会发现很工整：推导并坚持规则，对应主动控制；中途修订失败策略，对应终局意识和资金部署；造外部工具补隐式状态，对应记忆策展和价格发现。人类强的地方，恰好是模型在六维矩阵里得分最低的那几格。
更值得玩味的是，人类的失败模式和模型几乎一样。把玩家报告摊开看，四条抱怨其实是四个不同的坑：看不见卖家的接受价，是价格发现的问题；误判哪些错误不可挽回，是长期归因的问题；工资账单几季后才到，是延迟反馈的问题；不知道该怪哪次决策，是信用分配（credit assignment）的问题。四条加在一起，等于把前面几章讲过的模型软肋，在人类身上原样重演了一遍。
玩家说的"误判哪些错误不可挽回"，背后是游戏的累积后果机制：青训和设施的投资要几年后才回报，一次失误的代价会滚很多年。人类和模型一样，很难把今天的坏结果，归因到三年前那个看似无关的决定上。
最让我意外的是，人类和模型的失败清单居然对得上。第七章那个 opus-4.8 攥着 2100M 现金不花的毛病，人类新手也有：钱堆着不动，当下最安全，代价几个赛季后才找上门。工资账单延迟到账这件事更典型，等账单到了，才发现前几季的"节省"全是幻觉。人类和模型栽在同一个坑里，说明这个坑是游戏本身挖的，不是谁脑子不够用。
具体到两个完成者。H1 用了 394 个决策停点、10 个小时，H2 用了 398 个停点、只花了 4 个小时。时间花得多不代表分数高，H1 比 H2 高 15 分，却多花了 6 个小时。快不一定是好事，慢也未必是坏事。真正决定分数的是那几百个停点里，有几个做对了关键选择。这跟模型里 token 花得多、分数反而一般，是同一类现象。
设想一个更聪明的人类玩家：他第一年就把"续约提前 18 个月"写进自己的规则，第二年发现现金闲置就立刻转投年轻球员，第三年用一个外部表格盯住每一笔工资。这样的选手能不能进模型榜前十？论文没测，但它留下的数据让人很想试一试。
论文把人类对照放进来的用意很清楚：它不是要证明 AI 比人强，而是要给模型榜一个"人味"的刻度。最强的首次人类选手落在模型榜底部，说明这款游戏对新手确实很难，模型能跑完 20 年、能赢分，不是一件理所当然的事。
同时它也说明，人类那三样本事，恰好是可测的、可补的方向。为什么人类能从零推导规则，模型反而难？一个合理的猜想是：人类面对一堆杂乱信息时，天然会找模式、立规矩，而模型更擅长在给定规则下执行。足球经理这种长周期任务，恰恰是"规则从哪来"比"怎么执行"更重要。模型擅长不疲倦地处理 20 年、几百个停点的海量状态；人类擅长设定规则、识别策略何时失效、在关键时刻跳出来修订。把这两者拼起来，是论文留给未来的一条可测的路。
我个人最想看到的，正是这个方向。设想一个具体的分工：人类每周看一次全局，定下"未来三季重点是什么"，写进一个共享计划；模型照着这个计划跑日常的几百个停点，只在计划明显失效时，把异常标出来等人处理。这样人类的"推导规则、中途修订"和模型的"海量状态、不知疲倦"就能拼在一起。论文没做这个实验，但它把路标了出来。这未必是科幻里的"人机融合"，倒更像一个资深经理，配一个永不喊累的分析师。
这条路的可测性，来自论文已经搭好的骨架：人类和模型在同一个引擎、同一套计分、同一条赛道里跑。要做人机配对实验，只需要在某个停点里加入"人类监督员"这个角色，其余一切照旧。成本不高，答案却可能很值钱。说到底，人和机器本来就不是同一场考试里的对手，而是同一支球队里的两个位置。
第 9 章 对我们意味着什么：长周期 Agent 的三个启示
二十个赛季的足球经理考试，考出的其实是一件事：让一个智能体长期自主地管理复杂事务，到底难在哪。对正在做自动化运营、自主管理类 Agent 产品的人来说，这篇论文给的不是一个模型排行榜，而是三条可以直接搬走的启示。
第一条，评估长周期 Agent，不能用短期任务。
大多数现有基准测的是"这一刻你答得对不对"：写一段代码、答一道题、完成一次交互。但真实的管理是延迟反馈的。持有现金、按兵不动，在当下永远是安全的动作，甚至看起来像谨慎。它的代价要几个赛季后才浮出来，等闲置现金拖累了净值，你才明白当年的"稳"其实是"懒"。
论文把这个问题量化得很清楚。资金部署这个维度，量的是赛季末现金占净值的比例：claude-haiku-4.5 平均是 196%，glm-5.2 是 135%，claude-opus-4.8 是 134%，而赢家只有 80%。超过 100% 意味着什么？意味着它手里闲置的现金，比整个俱乐部的折现净值还多。而那个写下"该把现金投出去"的 opus-4.8，最后还是攥着 2100M 储备直到结算。
为了逼模型把钱花出去，论文甚至在计分里埋了一个反囤积折扣（anti-hoarding discount）：现金超过三倍年薪账单的部分，只按 0.3 计价。也就是说，钱堆着不算数。可即便如此，还是有模型宁可吃这个折扣，也要把钱攥在手里。为什么？因为花错的代价当场可见，不花的代价几年后才显现。延迟反馈，是长周期 Agent 的第一道坎。
这里藏着一个更普遍的道理：在长周期系统里，"不行动"永远比"行动"显得安全，因为不行动的代价被推迟了。任何只奖励当下正确、不惩罚未来代价的评测，都会系统性地偏爱不动弹的 Agent。这才是"不能用短期任务评估"的深层原因。
更隐蔽的问题是，短期评估会给出错误的信心。论文里 deepseek-v4-pro 第 5 年和第 10 年都领先，最终排第 12。如果你在它前五年表现最好的时候上线了它，你会得到一个看起来很棒的 Agent，和一个半年后崩掉的系统。
所以给产品的第一条建议是：别拿即时问答去评一个要跑三个月、半年的 Agent。要专门设计"延迟反馈"的题目。设想你给一个自动采购 Agent 出一道题："三个月后，你的现金持有量会不会超过安全线？" 这不是让它现在做对什么，而是让它为三个月后的自己负责。信用分配（credit assignment），也就是把坏结果归因到正确的那个决定，才是长周期评测真正该测的东西。
第二条，记忆系统要分层，而且要可重写。
第七章已经讲过两种死法：只追加的档案，和每季推倒重写。这里补一句产品视角的结论：给 Agent 的持久记忆，要显式区分三层。事实层，系统自动记录，不可变；计划层，稳定但可修订；意图层，也就是"我打算做什么、为什么"，要单独存、单独让执行回路去读。
拿数字再说一遍：gpt-5.6-sol 的笔记本相似度 0.91，只追加，现状淹在历史里；claude-sonnet-5 和 qwen3.7-max 只有 0.20 和 0.23，每季全推倒，计划活不到落地；赢家 fable-5 是 0.39，骨架稳定、状态常新。两极都死，活路在中间偏"稳"的那一侧。
有人会问，意图层和计划层有什么区别？计划是"这个季度做什么"，意图是"为什么做、做到什么程度算够"。计划会过期，意图不会。一个 Agent 换了十个计划还能活，但丢了意图，就只会原地打转。
为什么意图层最容易被漏掉？因为工程上它最难量化。事实有数据库，计划有任务清单，意图却是一句"冬天把 Y 卖掉"这种带理由的软信息。可论文里 opus-4.8 的教训正好卡在这里：它写下了正确的意图，执行却没跟上。记忆分层的核心，不是存得多，而是让意图层真正参与每一个决策。
设想你搭一个客户服务 Agent 的记忆。事实层放客户的历史订单和合同，永不改写；计划层放"这个季度重点挽回流失客户"，一季一改；意图层放"为什么优先挽回这个客户，而不是那个"。三层分开，改计划时就不会把事实和理由一起冲掉。
第三条，用行为指标做诊断，而不是单一分数。
总分只告诉你谁输了，不告诉你该改哪。论文给的六个维度才是真正有用的东西，而且每个都能落成一个可复现的测量：终局意识（和最终分数的相关 rs=-0.58，最贴分）、资金部署（rs=-0.50）、主动控制（续约提前量，rs=+0.45）、价格发现、记忆策展、算力效率。
价格发现看每笔签约的报价次数，中位 30 次、最好的也要 9 次，这个数字高就说明它在议价上浪费动作；记忆策展看笔记本的相似度，0.91 是只追加、0.20 是全重写，都不好；算力效率看每分 token，赢家恰好是三个最便宜的模型之一。六个维度里，任何一个都能单独拎出来当报警器。
拿终局意识举例。gemini-3.5-flash 在第 19 个赛季还在建慢回报的设施，赢家则把这类动作从每季 2.4 次降到 0.8 次。同样是在花钱，一个是在收尾前埋下永远收不回的种子，一个是知道游戏快结束了、及时收手。这个区别，短期任务里根本测不出来。
设想你有一个自动运营的 Agent，上线后总分还行，但你怎么知道它会不会在半年后崩掉？你可以盯它有没有终局意识，是不是在收尾前还在做慢回报的投资；盯它的资金部署，是不是攥着预算不花；盯它续约的提前量，是不是每次都拖到最后一刻。这比看一个综合分有用得多。
把三条启示拧成一份给自动化产品的清单，大概长这样：第一，评测里至少放一道"延迟反馈"的题；第二，记忆拆成事实、计划、意图三层，意图层单独存、单独读；第三，上报行为指标，而不是只报一个总分。三条都不难，但大多数产品现在一条都没做。
设想你把这套清单套到自己项目上：先翻翻现有的评估集，数一数里面有几道题要等三个月才能见分晓；再看看 Agent 的记忆，是三个字段还是一大坨聊天记录；最后问自己，团队看的是总分，还是那几个能定位问题的行为指标。三问下来，多半会发现前两条是空的。
这些启示之所以敢拿来指导实践，是因为它们立在一个可信的地基上。整个评估跑在确定性引擎里，同 seed 同动作必得同结果，可逐位重放；最终分数完全由机制累计，没有 LLM 裁判、没有人类打分。这里没有"我觉得这个 Agent 表现不错"，只有"它在第 19 个赛季还在建设施"这种能查证的事实。
还有个数字值得记住：赢家 fable-5 只到了 oracle 的约 95%，而整个计分的上限大概在 145 分，远未饱和。意思是，最好的模型也还留着一大截可进步的空间。这三条启示不是"满分答案"，更像是给后来者的一张还空着很多格的答题卡。
论文自己留了几个未来方向：人机配对（第八章讲过的监督员角色）、笔记本的消融实验（拆掉某些记忆层看分数掉多少）。这都不是科幻，是把同一个引擎再跑几遍就能做的小改动。
我还想补一句自己的看法。这篇论文最打动我的，不是哪个模型赢了，而是它证明了"管理"这件事可以被测。我们天天在管预算、管人、管时间表，却很少把它当成一个能打分、能重放、能审计的对象。一旦它可测，改进就有了抓手。如果你恰好在做自动化运营、自主客服、智能投放这类产品，这三条可以直接抄；如果你只是关注 AI 的读者，至少可以带走一个判断标准：下次看到"我们的 Agent 在某某榜上拿了高分"，先问一句，那个榜是即时问答，还是让它跑了二十个赛季。一句追问，往往比一个榜单更能帮你判断它靠不靠谱。这也是我从这篇论文里，最想带走的一个习惯。
延伸阅读：
- FM-Bench 论文：https://arxiv.org/abs/2608.18423
- 代码：https://github.com/Analogy-AI/fm-bench
延伸阅读
- 论文：FM-Bench: A Benchmark for Long-Horizon Management with Competing Agents（arXiv:2608.18423），https://arxiv.org/abs/2608.18423
- 代码与复现：https://github.com/Analogy-AI/fm-bench
- 相关论文：
- Co-RL: Unsupervised Reasoning Emerges from Diverse Cohort in Multi-agent RL（arXiv:2608.17253）
- SPADE: Self-Play in Adaptive Synthetic Executable Environments（arXiv:2608.19197）
- SkillGate: Training In-Policy Skill Selection in Long-Horizon Agents（arXiv:2608.18852）
- Credit Without Ground Truth: Auditing Step-Level Credit Assignment in LLM Agents（arXiv:2608.19760）
- YC-Bench: Benchmarking AI Agents for Long-Term Planning and Consistent Execution（He et al., ICML 2026 Workshop）
