任何可行的解决方案，都必须同时满足若干关键属性：1）抗操纵性：如果对手可以通过编辑维基百科、制造虚假新闻、贿赂预言机或利用程序漏洞来影响裁决，那么市场就不再比拼谁预测得更准，而是谁更擅长操纵。2）合理准确性：机制必须在大多数情况下给出正确结果。在一个本就存在真实歧义的世界中，完美准确不可能实现，但系统性错误或明显失误会迅速摧毁市场公信力。3）事前透明性：交易者在下注前，必须清楚地知道裁决将如何进行。事后更改规则，违背了平台与参与者之间最基本的契约。4）可信中立性：参与者必须相信裁决机制不会偏向任何一方。这正是为什么让持有大量 UMA 代币、且参与下注的人来裁决合约如此有问题，即便他们行为公正，利益冲突的外观本身也会破坏信任。 一种正在预测市场圈内逐渐获得关注的方案是：使用大语言模型作为裁决者，并在合约创建时，将具体模型与提示词（prompt）一并锁定在区块链上。其基本架构如下：在合约创建时，做市方不仅要用自然语言描述裁决标准，还需明确指定将用于裁决的 LLM（精确到带时间戳的模型版本），以及模型将使用的完整提示词。这些信息会被加密提交并写入链上。一旦交易开始，所有参与者都可以检查完整的裁决机制 —— 包括使用哪个模型、提示词内容、可访问的信息源。如果不认同这一设置，他们可以选择不交易。在裁决时，模型会按照事先承诺的提示词运行，访问指定的信息源，并生成结论，其输出直接决定资金如何结算。 这种方式同时解决了多个关键约束：相比编辑维基百科或操纵小型网站，篡改一个主流 LLM 的输出要困难得多。模型权重在承诺时已固定，对手要操纵结果，必须提前污染信息源或训练数据，成本和不确定性都更高。随着推理型模型能力的快速提升，尤其是在可主动检索信息的情况下，LLM 有望准确裁决大量市场，相关实验也正在进行中。裁决机制在下注前即完全公开、可审计，不存在临时改规则、自由裁量或幕后博弈。LLM 对结果没有经济利益，不会被贿赂，也不持有代币。其偏差若存在，也是模型固有属性，而非利益相关方的临时判断。当然，这种方案也存在局限：例如模型会犯错。而且操纵并非不可能，只是更难。此外，训练数据投毒在理论上可行，但需要长期、高成本投入，门槛远高于贿赂裁决者。最后，模型碎片化带来协调问题。不同合约使用不同模型与提示词，会导致流动性分散，因此需要在探索与标准化之间取得平衡。【原文为英文】\n原文链接