我司在探索一种评测方式：让模型针对结果尚未公布的真实事件，结合当时可获得的信息进行分析并给出概率预测；等结果公布后，再验证预测表现和概率校准情况。

客户可以据此识别模型判断中的偏差，比较不同模型或版本的表现，为模型选型、后训练优化和 Agent 能力改进提供真实世界的评测依据。

不懂就问，这种需求对后训练或 agent 团队真实存在吗？

主楼