Tout le monde dit "l'ensemble bat les modèles uniques", mais @AlloraNetwork va plus loin : il prévoit quels modèles vont gagner en ce moment et pèse le mélange à la volée. C'est l'avantage que la prévision contextuelle transforme une foule bruyante en un signal ciblé. ---/ ❯ Les travailleurs ne se contentent pas de publier des prévisions ; ils prévoient également l'exactitude des autres travailleurs dans les conditions actuelles, ces prévisions de perte sont des entrées de première classe qui rendent le réseau conscient du contexte. ❯ Ensuite vient la Synthèse d'Inférence : le réseau pèse les contributions par erreur attendue et peut littéralement composer une méta-prévision comme 80 % d'un modèle + 20 % d'un autre, avant de combiner avec la performance historique pour former le résultat global sur le sujet. ---/ Pourquoi cela importe : les marchés changent de régime. Le modèle qui a écrasé la semaine dernière peut être à la traîne aujourd'hui. Les prévisionnistes d'Allora diminuent le poids des modèles lorsque leur perte attendue augmente et augmentent le poids de ceux adaptés au nouveau régime afin que l'agrégat reste précis au lieu de se reposer sur des gagnants obsolètes. ---/ Points clés : ❯ Plus qu'un "oracle", c'est un marché de modèles avec des incitations à prédire à la fois les résultats et la performance des pairs. ❯ Le résultat est un flux d'auto-amélioration qui devrait conserver un avantage plus longtemps à travers les changements de volatilité. ---/ Angle développeur : mettez en place un prévisionniste léger qui apprend les modèles d'erreur des pairs pour un seul sujet et intégrez ces prévisions de perte dans votre travail, petit effort, poids démesuré si vous avez raison. Je suis en train de suivre comment cette synthèse se maintient sous les incitations du mainnet et un débit plus élevé. Si vous testez des prévisionnistes sur les sujets d'Allora, montrez-moi votre configuration, je partagerai la mienne et nous pourrons établir une référence.