UniPat AI lance le modèle de prédiction EchoZ, avec un taux de réussite de 63 % en trading réel sur Polymarket, « surpassant les traders humains »

PolyMarket 年的 volume d’échange a déjà atteint plusieurs milliards de dollars, mais plus de 90% des traders perdent à long terme (Dune Analytics, mars 2026). Dans un jeu dont le cœur est « prédire l’avenir », la plupart des gens ne font que payer pour les décisions prises par quelques personnes plus avisées.

Si l’issue dépend de qui sait mieux évaluer les probabilités, la question devient alors : cette capacité peut-elle être reproduite ?

L’EchoZ-1.0 de UniPat AI apporte une réponse quantifiable à cette question. Dans une comparaison avec les traders humains de Polymarket, son taux de réussite sur les sujets politiques atteint 63,2%, et 59,3% sur les prédictions à long terme. L’équipe a construit 5 agents EchoZ pour faire du trading en situation réelle, dont 4 sont rentables ; le meilleur, en une semaine, a réalisé un rendement de 15%.

Ce n’est pas le résultat d’« un tour de trading », mais plutôt un effet de débordement des capacités du modèle. Les membres clés de UniPat AI viennent d’équipes de grands modèles comme Qwen, Kimi, Xiaomi, Seed, etc., avec une implication de longue date dans la construction de modèles de raisonnement et de systèmes de décision complexes. Dans l’environnement des marchés de prédiction — essentiellement un « jeu de probabilités » — ils essaient de remplacer systématiquement l’intuition par un modèle, puis de valider cette capacité de manière répétée dans de vrais marchés.

Et surtout, il ne s’agit pas seulement d’un modèle qui se distingue dans un rapport : c’est une capacité de prédiction directement appelable. UniPat AI est en train de transformer EchoZ en produit et prévoit de l’ouvrir au public sous forme d’API. Pour les développeurs et les institutions, cela signifie que, à l’avenir, ils pourront saisir directement une question, et obtenir une sortie complète incluant conclusions, distributions de probabilités, chaîne de preuves et analyse contrefactuelle.

Avant une ouverture à grande échelle, la question qui mérite d’être davantage décomposée est : d’où vient réellement l’avantage d’EchoZ ?

Que signifie un taux de réussite de 63%

Ceux qui ont déjà fait des jeux de probabilités savent qu’un taux de victoire statistique de 60%+ dans un marché à somme nulle où la majorité perd est un niveau d’avantage considérable. Au-dessus de 50%, l’espérance est positive ; à 60%, cela suffit déjà pour construire une stratégie stable et profitable.

Taux de victoire d’EchoZ par scénario chez les traders humains de Polymarket :

Politique et gouvernance : 63,2%

Prédiction à long terme (plus de 7 jours) : 59,3%

Plages de forte incertitude (confiance humaine 55%-70%) : 57,9%

La logique est claire : plus les humains hésitent et plus il est difficile d’évaluer un scénario — cycles longs, jeux à multiples facteurs, fragmentation de l’information — plus l’avantage d’EchoZ est grand.

Ce sont précisément les scénarios de décision les plus précieux. Les orientations des politiques de régulation, les variables macroéconomiques, les propositions de gouvernance on-chain, le calendrier de lancement des tokens : la plupart relèvent de problèmes à forte incertitude, à long terme, où de multiples facteurs s’entremêlent. Celui qui, dans ces contextes, parvient à produire continuellement des jugements de probabilités plus précis aura de l’alpha.

Sur le General AI Prediction Leaderboard, EchoZ est classé n°1 avec un Elo de 1034,2, devant Gemini-3.1-Pro (1032,2), Claude-Opus-4.6 (1017,2) et GPT-5.2. Le classement couvre 12 modèles, 7 domaines et 1000+ sujets actifs.

Ce classement est-il crédible

Quand on construit son propre classement, la première réaction est toujours : « c’est vous qui vous décernez un prix ». UniPat AI a fait une chose très « Crypto Native » : toutes les données sont publiques.

Tous les problèmes de prédiction, les distributions de probabilités produites par les modèles et les résultats de règlement finaux sont entièrement publiés sur echo.unipat.ai, et n’importe qui peut les vérifier en remontant dans le temps.

En plus de cela, quatre séries de tests de résistance ont également été publiées :

Ajuster les paramètres clés du cadre de notation (σ de 0.01 à 0.50, 9 groupes au total) : EchoZ reste n°1 dans tous les réglages, et c’est le seul modèle sans variation de classement. GPT-5.2 fluctue fortement entre les rangs 2 et 9.

Lancer au hasard la perte de 10%-70% des données : le classement reste stable.

Retirer du classement 1 à 6 modèles : l’ordre restant change presque pas.

Après l’ajout d’un nouveau modèle, le classement converge vers une position stable en 5,4 jours.

Transparent, vérifiable, résistant aux interférences.

Comment ça gagne de l’argent

EchoZ recherche de façon autonome des informations, lit des actualités, interroge des données, puis produit un rapport de prédiction structuré : distribution de probabilités, chaîne de preuves, fondements du jugement ; chaque étape de raisonnement est traçable.

Regardons trois cas réels :

Prédiction de la capitalisation boursière de NVIDIA. Le 18 mars 2026, EchoZ a répondu à « Quelle entreprise aura la plus forte capitalisation boursière mondiale au 31 mars ? », en donnant une probabilité de 98% pour NVIDIA. Le raisonnement n’est pas basé sur une seule information, mais sur plusieurs chaînes de preuves indépendantes qui se croisent et se valident mutuellement : capitalisation de NVIDIA ~$4.43T-$4.45T, en avance sur Alphabet et Apple d’environ $700 milliards, quasiment impossible à rattraper en 9 jours de bourse ; le 13 mars, le Département du commerce des États-Unis a retiré les règles de contrôle des exportations de puces IA, ce qui a éliminé le principal risque réglementaire avant la date cible ; la volatilité implicite du marché des options n’est que ±1,98% ; le marché des dérivés n’a pas connu un krach permettant d’effacer une avance de 15% par une seule re-pricing ; l’arrêt de la production d’installations de gaz d’hélium au Qatar crée un risque de chaîne d’approvisionnement, mais TSMC n’a pas encore stoppé. Quatre preuves verrouillent la conclusion sous quatre angles : la mathématique de la capitalisation, la réglementation, le pricing des dérivés, et la chaîne d’approvisionnement.

Prédiction d’un nouvel ATH pour l’ETH. Le 18 mars 2026, EchoZ a répondu à « Est-ce que ETH/USDT va établir un nouvel ATH avant le 31 mars ? », en donnant une probabilité de 99% pour répondre « Non ». La chaîne de raisonnement est claire : le prix actuel est d’environ $2,220-$2,340, le plus haut historique est à $4,956.78, il faut dans les 13 jours un rallye de 112%-123% ; la Réserve fédérale maintient les taux à 3.50%-3.75% inchangés, combiné aux tensions entre les États-Unis et l’Iran, ce qui comprime la hausse explosive des actifs à risque ; USDT est arrimé à un stable coin et Binance offre une profondeur suffisante sur ETH/USDT (liquidité de $35M dans la tranche de prix de 2%), ce qui écarte les anomalies de prix nominales causées par un désarrimage des stablecoins. Trois chaînes de preuves indépendantes se croisent également ; le consensus de Polymarket donne aussi <1% de probabilité.

Prédiction de la tête de série n°1 à l’Ouest NBA. Toujours le 18 mars, EchoZ a prédit la tête de série n°1 à l’Ouest pour la saison NBA 2025-26, avec une probabilité de 89,9% pour le Thunder. Logique centrale : le Thunder a 54 victoires et 15 défaites, avec 3 matchs d’avance sur les Spurs, et les deux équipes ont encore chacune 13 matchs ; les Spurs, bien qu’ils aient l’avantage du bilan face-à-face (4-1), n’ont qu’à rattraper pour égaliser, mais les Spurs affrontent le calendrier restant le plus difficile de toute la ligue (taux de victoire des adversaires .560) ; pour le Thunder, le magic number n’est que de 11, donc une performance normale suffit pour verrouiller. Les Lakers ne peuvent plus dépasser 57 victoires : mathématiquement, c’est déjà réglé, ce qui confirme qu’il s’agit bien de la bataille entre ces deux équipes.

Le plus important est que ces prédictions ne sont pas sélectionnées a posteriori. L’heure de prédiction, la sortie de probabilité et le résultat du règlement pour chaque question sont tous vérifiables publiquement.

Pourquoi GPT et Claude n’y arrivent pas

En bref, les méthodes d’entraînement sont différentes.

Les grands modèles du marché entraînent leurs capacités de prédiction à partir de données historiques, mais les données historiques posent deux problèmes : quand le modèle recherche sur le web, il risque de tomber sur la réponse (fuite de données), et l’aléatoire du monde réel fait que le modèle apprend du bruit — une bonne analyse rencontrant un cygne noir sera punie, tandis qu’un mauvais coup basé sur un tirage au sort rencontrant la chance sera récompensé.

Le paradigme d’entraînement d’EchoZ s’appelle Train-on-Future : faire prédire au modèle des événements qui n’ont pas encore eu lieu, en évaluant la qualité du processus de raisonnement, sans attendre que la réponse soit révélée. De bons analystes peuvent aussi se tromper de temps en temps, mais sur le long terme ils ont des taux de victoire élevés — la logique d’entraînement d’EchoZ est la même.

Mais qui définit « un bon raisonnement » ? Les différences sont énormes selon les domaines. La méthode de UniPat consiste à rechercher des standards de notation pilotés par les données (Rubric Search) : préparer une série de dimensions candidates de scoring, utiliser ces dimensions pour classer et noter le raisonnement du modèle, puis comparer avec le classement Elo basé sur des résultats réels — plus la correspondance est élevée, plus ces standards se rapprochent des caractéristiques réelles d’un « bon raisonnement ». Par recherche séparée selon les domaines, chaque itération optimise.

Les résultats obtenus sont très intéressants. Dans le domaine politique, les meilleurs standards de scoring comportent 20 dimensions, dont « détection du signal d’absence » : est-ce que le modèle traite « rien ne s’est produit » comme un signal important (pas de nouvelle affaire enregistrée au tribunal, pas de nouveau communiqué de l’armée — le fait même que rien n’ait changé est une information). Il y a aussi « jugement de séparation des paroles et des actes » : distinguer les déclarations orales des politiciens sur les réseaux sociaux et les actions effectives qui entrent dans le processus juridique. Ces dimensions sont toutes découvertes par la recherche de données ; les humains ne peuvent pas imaginer un tel niveau de granularité « au feeling ».

Que peut-on faire après l’ouverture de l’API

L’API de Prediction va bientôt être ouverte aux entreprises et aux développeurs. Elle permet de saisir une question de prédiction en langage naturel, puis de retourner un rapport complet structuré :

Distribution des probabilités : jugement quantifié sur les différentes issues de l’événement

Chaîne de preuves : plusieurs preuves indépendantes qui soutiennent le jugement, classées par poids

Analyse contrefactuelle : comment les probabilités se déplacent lorsque la variable clé change

Recommandations de monitoring : signaux à suivre en continu et conditions de déclenchement

Pour les bourses et les plateformes de marchés de prédiction, cela signifie qu’elles peuvent fournir directement aux utilisateurs une couche de prédiction IA — lorsqu’un utilisateur consulte un contrat de prédiction, il peut voir à côté les probabilités d’EchoZ, les bases clés et les variables essentielles. Pour les équipes de quantification, ces sorties structurées de probabilités peuvent être directement intégrées comme facteurs de stratégie. Pour les protocoles DeFi, la probabilité d’un événement constitue un tout nouveau type de données on-chain : options à déclenchement conditionnel, tarification d’assurances basée sur la prédiction, paramètres de contrôle des risques dynamiques. À l’heure actuelle, il n’existe presque aucune source fiable de probabilités d’événements on-chain, et c’est précisément l’écart que EchoZ essaie de combler.

C’est une nouvelle catégorie : la capacité de prédiction comme infrastructure de base appelable.

Pourquoi ce sont précisément ces personnes qui font ça

L’équipe principale de UniPat AI provient d’équipes de grands modèles de premier plan comme Qwen, Kimi, Xiaomi, Seed, etc., avec plus d’une dizaine de chercheurs, un focus sur l’apprentissage par renforcement, les systèmes d’agents, la synthèse de données et l’évaluation des modèles. Elle a déjà reçu le soutien de plusieurs fonds dollars de premier plan.

Cet assemblage d’équipe explique la forme produit d’Echo. Faire de l’intelligence de prédiction nécessite de résoudre simultanément trois problèmes : comment entraîner (RL + récompenses de processus), comment évaluer (système d’évaluation dynamique), et comment amener le modèle à aller chercher des informations pour décider (Agent). Ces trois sujets correspondent justement aux trois domaines où cette équipe excelle le plus.

Ils choisissent de construire une infrastructure de prédiction parce que la capacité de prédire est naturellement quantifiable, vérifiable et monétisable — l’une des rares catégories d’une capacité de grand modèle qui peut être directement reliée à une valeur commerciale.

UniPat AI indique : « La capacité de prédiction est l’une des rares capacités IA qui peut directement être liée à la valeur commerciale. Lorsque les jugements de probabilité deviennent structurés, vérifiables et appelables, ils deviendront une entrée fondamentale dans les systèmes de trading et de finance. »

Prochaine étape

Au cours des dernières années, les capacités API-ifiées successivement ont été le texte, les images et le code.

La prochaine à être API-ifiée pourrait être le jugement sur l’incertitude lui-même. Lorsque les probabilités de l’avenir deviennent un paramètre appelable, intégrable et vérifiable, les chaînes de décision dans lesquelles il peut s’imbriquer — stratégies de trading, modèles de gestion des risques, tarification produit, alertes de conformité — seront bien plus larges que le marché des marchés de prédiction lui-même.

En une phrase, ce que Echo veut faire : transformer « ce qui va se passer dans le monde ensuite » en une entrée que les développeurs peuvent appeler.

Site officiel ECHO :

Blog technique :