基于世界模型的神经木兰指数
机器学习
2026-02-10 v1
摘要
经典木兰指数（Sabermetrics）通过总结长历史的比赛数据，提炼出紧凑的统计指标，深刻影响了棒球分析学。尽管这些指标在评估和回顾性分析中至关重要，但它们并未定义棒球比赛如何从每一次投球逐步展开的生成模型，使现有方法局限于单步预测或事后分析。本文提出神经木兰指数（Neural Sabermetrics），一种基于大语言模型（LLM）的棒球比赛逐步事件世界模型。我们将棒球比赛建模为长序列自回归事件，并在超过十年的Major League Baseball（MLB）跟踪数据上持续预训练单个LLM，数据包含超过七百万次投球序列，约三十亿个标记。生成的模型能够在统一框架内预测多个游戏演化方面。我们在分布于常规赛赛季数据和分布外的季后赛比赛上对模型进行评估，并与既有方法的强大神经基线进行比较。尽管仅使用单个 backbone 模型，本方法仍超过了现有基线的性能：（1）在一次击球中正确预测约64%的下一次投球，（2）78%的击球决定。我们的工作表明，LLM可作为棒球等体育比赛的有效世界模型。
引用
@article{arxiv.2602.07030,
title = {Neural Sabermetrics with World Model: Play-by-play Predictive Modeling with Large Language Model},
author = {Young Jin Ahn and Yiyang Du and Zheyuan Zhang and Haisen Kang},
journal= {arXiv preprint arXiv:2602.07030},
year = {2026}
}