UniPat AI a lancé le modèle de prédiction EchoZ, qui affiche un taux de réussite de 63 % sur les transactions réelles effectuées sur Polymarket, « surpassant ainsi les traders humains ».
TechFlow SélectionTechFlow Sélection
UniPat AI a lancé le modèle de prédiction EchoZ, qui affiche un taux de réussite de 63 % sur les transactions réelles effectuées sur Polymarket, « surpassant ainsi les traders humains ».
Ce que Echo doit faire, en un mot : transformer « ce qui va se produire dans le monde » en une entrée appelable par les développeurs.
Dédié à des analyses Web3 approfondies
Le volume annuel des transactions sur Polymarket atteint déjà plusieurs milliards de dollars, mais plus de 90 % des traders subissent des pertes à long terme (Dune Analytics, mars 2026). Dans un jeu dont le cœur est la « prédiction de l’avenir », la majorité paie simplement pour les décisions supérieures d’une minorité.
Si la clé de la victoire réside dans la capacité à évaluer les probabilités, la question devient alors : cette compétence peut-elle être reproduite ?
EchoZ-1.0, développé par UniPat AI, fournit une réponse quantifiable à cette question. Lors de comparaisons avec des traders humains sur Polymarket, EchoZ atteint un taux de réussite de 63,2 % sur les questions politiques et de 59,3 % sur les prévisions à long terme. L’équipe a déployé cinq agents EchoZ en conditions réelles : quatre d’entre eux ont généré des profits, et le meilleur a réalisé un rendement de 15 % en une semaine.
Ce résultat ne découle pas d’une « technique de trading », mais plutôt d’un débordement des capacités du modèle. Les membres fondateurs d’UniPat AI proviennent d’équipes de grands modèles telles que Qwen, Kimi, Xiaomi et Seed, et ont longuement participé à la conception de modèles de raisonnement et de systèmes décisionnels complexes. Dans un marché prédictif, qui est fondamentalement un « jeu probabiliste », ils cherchent à remplacer systématiquement l’intuition par des modèles, puis à valider cette capacité de façon répétée sur des marchés réels.
Plus important encore, ce n’est pas un simple modèle performant sur papier, mais bien une capacité prédictive directement utilisable. UniPat AI procède actuellement à la productisation d’EchoZ et prévoit de l’ouvrir au public sous forme d’API. Pour les développeurs et les institutions, cela signifie qu’à l’avenir, il suffira de poser une question naturellement pour obtenir une sortie complète structurée comprenant une conclusion, une distribution de probabilités, une chaîne de preuves et une analyse contre-factuelle.
Au-delà de cette ouverture, une question plus fondamentale mérite d’être examinée : d’où provient précisément l’avantage d’EchoZ ?
Que signifie un taux de réussite de 63 % ?
Celui qui pratique les jeux probabilistes sait quel niveau d’avantage représente statistiquement un taux de réussite supérieur à 60 % dans un marché à somme nulle où la plupart perdent de l’argent. Dépasser 50 % garantit déjà une espérance mathématique positive ; atteindre 60 % suffit largement à construire une stratégie rentable stable.
Taux de réussite d’EchoZ face aux traders humains sur Polymarket, par scénario :
- Politique et gouvernance : 63,2 %
- Prévisions à long terme (plus de 7 jours) : 59,3 %
- Périodes d’incertitude élevée (confiance humaine entre 55 % et 70 %) : 57,9 %
La tendance est claire : plus les scénarios sont hésitants et difficiles à juger pour les humains — cycles longs, interactions multi-facteurs, fragmentation de l’information — plus l’avantage d’EchoZ est marqué.
Ce sont justement les scénarios décisionnels les plus précieux. L’orientation des régulations, les variables macroéconomiques, les propositions de gouvernance sur la blockchain, les dates de lancement de jetons : la plupart relèvent de problèmes à forte incertitude, à long cycle et à facteurs multiples imbriqués. Celui qui parvient à fournir continuellement des jugements probabilistes plus précis dans ces domaines détient un alpha.
Avec un score Elo de 1034,2, EchoZ occupe la première place du classement General AI Prediction Leaderboard, devançant Gemini-3.1-Pro (1032,2), Claude-Opus-4.6 (1017,2) et GPT-5.2. Ce classement couvre 12 modèles, 7 domaines et plus de 1 000 questions actives.
Ce classement est-il fiable ?
Lorsqu’un classement est établi en interne, la première réaction est souvent : « Ils se décernent eux-mêmes un prix ». UniPat AI a fait preuve d’un esprit profondément « crypto-native » : toutes les données sont publiques.
Toutes les questions de prédiction, les distributions de probabilités produites par les modèles et les résultats finaux sont entièrement accessibles sur echo.unipat.ai, permettant à chacun de vérifier rétrospectivement chaque prédiction.
En outre, quatre séries de tests de résistance sont également publiques :
- Ajustement des paramètres centraux du cadre d’évaluation (σ variant de 0,01 à 0,50, soit 9 configurations) : EchoZ conserve la première place dans tous les cas, étant le seul modèle à afficher une stabilité absolue de classement. GPT-5.2 oscille fortement, passant de la 2e à la 9e place.
- Suppression aléatoire de 10 % à 70 % des données : le classement reste stable.
- Retrait de 1 à 6 modèles du classement : l’ordre restant demeure presque inchangé.
- Ajout d’un nouveau modèle : le classement converge vers une position stable en seulement 5,4 jours.
Transparence, vérifiabilité, résilience aux interférences.
Comment gagne-t-il de l’argent ?
EchoZ recherche lui-même les informations, lit les actualités, consulte les données, puis produit un rapport prédictif structuré : distribution de probabilités, chaîne de preuves, fondements du jugement — chaque étape de raisonnement est traçable.
Voici trois exemples réels :
Prédiction de la capitalisation boursière de NVIDIA. Le 18 mars 2026, EchoZ répond à la question « Quelle sera l’entreprise la plus valorisée au monde le 31 mars ? », attribuant une probabilité de 98 % à NVIDIA. Son jugement ne repose pas sur une seule information, mais sur la convergence de plusieurs chaînes de preuves indépendantes : la capitalisation boursière de NVIDIA s’élève à environ 4,43–4,45 billions de dollars, soit près de 700 milliards de dollars de plus que celles d’Alphabet et d’Apple ; le Département américain du Commerce a levé le 13 mars les restrictions à l’exportation des puces d’IA, éliminant ainsi le principal risque réglementaire avant la date cible ; la volatilité implicite sur le marché des options n’est que de ±1,98 %, ce qui signifie que le marché dérivé ne price pas une chute susceptible d’annuler un avantage de 15 % ; la fermeture temporaire d’une installation qatarie d’hélium constitue un risque pour la chaîne logistique, mais TSMC n’a pas interrompu sa production. Ces quatre éléments constituent des preuves indépendantes issues respectivement des dimensions mathématique (capitalisation), réglementaire, tarification dérivée et chaîne logistique.
Prédiction d’un nouveau plus haut pour l’ETH. Le 18 mars 2026, EchoZ répond à la question « L’ETH/USDT atteindra-t-il un nouveau plus haut avant le 31 mars ? », concluant avec une probabilité de 99 % que non. Le raisonnement est limpide : le cours actuel se situe entre 2 220 $ et 2 340 $, tandis que le précédent plus haut était de 4 956,78 $ ; une hausse de 112 % à 123 % serait donc requise en 13 jours ; le maintien des taux directeurs de la Réserve fédérale américaine entre 3,50 % et 3,75 %, combiné aux tensions entre les États-Unis et l’Iran, exerce une pression baissière sur les actifs à risque ; l’USDT conserve son ancrage stable et la liquidité ETH/USDT sur Binance est abondante (35 millions de dollars dans une fourchette de prix de 2 %), excluant toute anomalie nominale due à un décalage de l’ancrage. Trois chaînes de preuves indépendantes convergent vers cette conclusion, confirmée par le consensus de Polymarket, qui accorde également une probabilité inférieure à 1 %.
Prédiction du premier qualifié de la Conférence Ouest NBA. Toujours le 18 mars, EchoZ anticipe que les Thunder remporteront le titre de tête de série de la Conférence Ouest pour la saison 2025–26, avec une probabilité de 89,9 %. La logique centrale est la suivante : les Thunder comptent 54 victoires et 15 défaites, devançant les Spurs de 3 matchs ; les deux équipes ont encore 13 rencontres à disputer ; bien que les Spurs possèdent un avantage dans les confrontations directes (4–1), ils doivent seulement rattraper leur retard — or leur calendrier restant est le plus difficile de toute la ligue (taux de victoire moyen de leurs adversaires : 56 %) ; le « magic number » des Thunder est de seulement 11, ce qui signifie qu’un simple maintien de leur niveau de performance leur assure la qualification. Les Lakers, eux, ne peuvent pas dépasser 57 victoires : ils sont mathématiquement éliminés, ce qui confirme que la lutte se joue exclusivement entre les deux équipes citées.
Il est essentiel de souligner que ces prédictions n’ont pas été sélectionnées a posteriori. Pour chaque question, la date de prédiction, la probabilité émise et le résultat final sont publiés et vérifiables publiquement.
Pourquoi GPT et Claude n’y parviennent-ils pas ?
En résumé, la méthode d’entraînement diffère.
Les grands modèles commerciaux sont entraînés sur des données historiques pour développer leurs capacités prédictives, mais ces données présentent deux défauts majeurs : lors de la recherche web, les modèles risquent fréquemment de tomber directement sur la réponse (fuites de données), et la nature aléatoire du monde réel fait qu’ils apprennent du bruit — une analyse rigoureuse peut être pénalisée si elle coïncide malheureusement avec un événement imprévu, tandis qu’une intuition hasardeuse peut être récompensée si elle tombe juste par chance.
Le paradigme d’entraînement d’EchoZ s’appelle « Train-on-Future » : le modèle est amené à prédire des événements encore non survenus, et c’est la qualité de son processus de raisonnement qui est évaluée, sans attendre la révélation de la vérité. Un bon analyste peut parfois se tromper, mais son taux de réussite reste élevé sur le long terme — c’est exactement la logique d’entraînement d’EchoZ.
Mais qui définit ce qu’est un « bon raisonnement » ? Les critères varient considérablement selon les domaines. L’approche d’UniPat consiste à rechercher empiriquement les critères d’évaluation (« Rubric Search ») : une série de dimensions candidates est définie, puis utilisée pour noter et classer les processus de raisonnement des modèles ; ces classements sont ensuite comparés au classement Elo fondé sur les résultats réels — plus la corrélation est forte, plus ces critères reflètent fidèlement les caractéristiques d’un « bon raisonnement ». Cette recherche est menée séparément par domaine, avec itérations successives d’optimisation.
Les résultats obtenus sont fascinants. Dans le domaine politique, les 20 dimensions optimales incluent notamment la « détection de signaux d’absence » — le modèle identifie-t-il le fait qu’« il ne se passe rien » comme un signal pertinent (aucune nouvelle plainte déposée devant les tribunaux, aucun communiqué militaire récent, ce silence même constitue une information) ? Une autre dimension est le « jugement de dissociation entre discours et actes » — distinguer les déclarations verbales des politiciens sur les réseaux sociaux des mesures concrètes ayant réellement franchi le seuil légal. Toutes ces dimensions ont été découvertes par analyse de données, bien au-delà de ce qu’une réflexion intuitive pourrait produire.
Que permettra l’API une fois ouverte ?
L’API Prediction sera prochainement mise à disposition des entreprises et des développeurs. Elle accepte une question formulée en langage naturel et renvoie un rapport structuré complet :
- Distribution de probabilités : jugement quantifié des divers résultats possibles d’un événement
- Chaîne de preuves : plusieurs preuves indépendantes soutenant la conclusion, classées par poids
- Analyse contre-factuelle : comment la probabilité évolue lorsque des variables clés changent
- Recommandations de suivi : signaux à surveiller en continu et conditions déclenchantes
Pour les plateformes d’échange et les marchés prédictifs, cela signifie pouvoir offrir directement aux utilisateurs une couche de prédiction IA — dès qu’un utilisateur consulte un contrat prédictif, il voit immédiatement, à côté, la probabilité estimée par EchoZ, ses fondements principaux et les variables critiques. Pour les équipes de trading quantitatif, ces sorties probabilistes structurées peuvent être intégrées directement comme facteurs stratégiques. Pour les protocoles DeFi, la probabilité d’un événement constitue une nouvelle dimension de données sur la blockchain — options conditionnelles, tarification d’assurances basée sur des prévisions, paramètres dynamiques de gestion des risques. Aujourd’hui, aucune source fiable de données probabilistes sur la blockchain n’existe réellement — c’est précisément ce vide qu’EchoZ cherche à combler.
Il s’agit d’une catégorie entièrement nouvelle : la capacité prédictive comme infrastructure appelable.
Pourquoi ce projet est-il porté par cette équipe ?
L’équipe fondatrice d’UniPat AI provient de certaines des principales équipes de grands modèles — Qwen, Kimi, Xiaomi, Seed — et rassemble plus d’une dizaine de chercheurs spécialisés dans l’apprentissage par renforcement, les systèmes Agent, la synthèse de données et l’évaluation des modèles. L’entreprise bénéficie déjà du soutien de plusieurs fonds de capital-risque internationaux majeurs.
Cette composition explique parfaitement la forme adoptée par Echo. Construire une intelligence prédictive exige de résoudre simultanément trois défis : comment entraîner (apprentissage par renforcement + récompenses sur le processus), comment évaluer (système d’évaluation dynamique), et comment permettre au modèle de rechercher lui-même les informations nécessaires à son jugement (Agent). Ces trois défis correspondent précisément aux trois domaines d’expertise les plus pointus de cette équipe.
Le choix de construire une infrastructure prédictive s’explique par le fait que la capacité prédictive est naturellement quantifiable, vérifiable et génératrice de revenus — c’est l’une des rares capacités des grands modèles directement liées à une valeur commerciale tangible.
UniPat AI déclare : « La capacité prédictive est l’une des rares aptitudes IA pouvant être directement reliées à une valeur commerciale. Lorsque les jugements probabilistes deviennent structurés, vérifiables et appelables, ils deviendront une entrée fondamentale des systèmes financiers et de trading. »
Prochaines étapes
Au cours des dernières années, les capacités transformées en API ont successivement été le texte, l’image, puis le code.
La prochaine capacité à être API-ifiée pourrait bien être le jugement lui-même face à l’incertitude. Lorsque la probabilité d’un événement futur devient un paramètre appelable, intégrable et vérifiable, elle peut s’insérer dans des chaînes décisionnelles bien plus vastes que le seul marché prédictif — stratégies de trading, modèles de gestion des risques, tarification de produits, alertes de conformité.
En une phrase, voici ce qu’Echo cherche à accomplir : transformer la question « Que va-t-il se passer ensuite dans le monde ? » en une entrée directement utilisable par les développeurs.
Site officiel d’ECHO : https://echo.unipat.ai
Blog technique : https://unipat.ai/blog/Echo
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@UniPat_AI
