一句话结论：以色列公司 42AI 走出隐身状态，宣布 6250 万美元种子轮融资，它做的是行为世界模型，用Transformer 架构从个人历史行为里读出决策倾向，据称已有十家大型经纪商在用，押注的落地场景是券商的保证金与对冲决策。
这个方向的关键词是行为世界模型。它和当下主流的世界模型研究分道扬镳，后者建模的是物理规律、像素和游戏环境，42AI 建模的是人。
融资数字本身不算大，但这家公司踩中了一个具体的痛点：券商的风控模型全都建立在历史数据上，而历史数据在极端行情里恰恰是最没用的东西。
行为世界模型和物理世界模型的区别
42AI 把自己的模型称为行为世界模型，英文缩写 BWM。官方的描述很直接，它学习的是每个个体纵向事件流里的潜在行为状态，再输出对未来行为的概率分布，既能用于预测，也能用于构造基于行为的模拟世界。
它同时维护另一套模型，叫大型行为模型 LBM，负责学习从「一个人是谁、发生了什么、他如何理解」到「他采取什么行动」的语义映射。两套模型合起来覆盖行为预测的完整链路。
常规的做法是从历史成交数据外推。42AI 走的路子是反过来，先推断这个人的内在动机，再据此推算他在新情境下的反应。喂给模型的不只是交易流水，还有身份核验、开户、客服通话、转账等看起来毫不相关的环节里的情绪、语音特征和交互频次。
这套设计有个直接后果，模型对「未来」的处理不再是确定性的。CEO Amit Gal-Or 的说法是，行为呈概率分布，一周之后的你可能是另一个人，但倾向性总会在特定领域以概率形式显现。为了守住这个特性，训练时设有奖励机制，如果一个通常规避风险的人在模拟中突然被当成冒险者，训练目标就判定为偏离。
从 2025 年 10 月 21 日黄金暴跌看这套方法
42AI 联合创始人兼 CEO Amit Gal-Or 在 FinTech Junction 2026 的演讲里讲了一个具体案例，这是理解这套方法最好的入口。
2025 年 10 月 21 日，黄金价格在数小时内暴跌 300 美元每盎司，创下当时单日绝对跌幅纪录。这家跨国外汇交易商的客户在恐慌中抛售、反手做空、清仓和对冲，所有风控策略、保险政策和经纪商的风控模型同时被触发，而这些模型全都建立在回溯相似历史事件之上，没有做出足够对冲。这家经纪商单日损失 5000 万美元。
Gal-Or 随后把当天每一位客户单独喂给模型，模型给出每个人在这种情况下会如何反应的概率分布，并且用生成式特性解释了是哪些特质被触发、为什么触发、置信度多少。预测的交易员行为与实际发生的交易做逐一对齐，结果是那天有数千万美元本可避免的损失。
这个案例说明了这套方法真正想解决什么。绝大多数交易场景是可预测的，因为人会重复相似处境。真正消耗风控资源的是那些没有先例的极端时刻，而那恰恰是历史映射最失效的时候。
模型是怎么建起来的
这条路走了三年，方法上是把心理学、精神病学、遗传学与神经科学合到一起。Gal-Or 在演讲里说，这些研究产出的是一百多个基础特质，它们在一生中相对稳定，有时彼此冲突，并在人的具体经历中被触发。
专家团队里有 2011 年诺贝尔化学奖得主 Dan Shechtman，以及心理学与创伤后应激障碍领域的专家。
数据规模分三段。团队先对数千人做心理测评与行为情景实验；随后叠加覆盖超过 200 万人的政府和生物银行数据集；客户侧数据目前已扩大到近 3000 万人。
需要说清楚的一点是，42AI 的模型不依赖个人可识别信息，官方说法是模型永远不知道这个人是谁，它确实会基于关联的客户活动生成个体行为画像。这是它能进入金融机构合规体系的前提。
落地成绩与融资
目前已有十家大型经纪商在用这套系统管理流动性、保证金要求与对冲敞口，公司营收超过七位数美元。一家经纪商客户据称通过动态对冲额外获得了约三千万美元的价值。
这轮 6250 万美元种子轮来自创始团队和 Infinity 集团。Infinity 由 Gal-Or 的父亲创办，其父同时担任 42AI 董事长与联合创始人。创始人此前已投入 1000 万美元个人资金并持续跟投。42AI 计划继续融资，并探索游戏、反欺诈与网络安全方向的应用。
| 指标 | 数值 |
|---|---|
| 本轮融资 | 6250 万美元种子轮 |
| 投资方 | 创始团队与 Infinity 集团 |
| 方法沉淀周期 | 3 年 |
| 基础特质数量 | 100 项以上 |
| 心理测评与行为情景实验样本 | 数千人 |
| 政府与生物银行数据集覆盖 | 超过 200 万人 |
| 客户侧数据覆盖 | 近 3000 万人 |
| 在用大型经纪商数量 | 10 家 |
| 交易方向与成交量预测 F1 | 0.8 至 0.85 |
| 宣称准确率 | 98%（指交易流落在预测区间内） |
| 公司营收 | 超过七位数美元 |
那个 98% 该怎么读
这个数字最容易被误读。Gal-Or 主动补充了限定条件，98% 衡量的是交易流是否落在预测区间内，而不是每一笔交易都被准确命中。在真正决定盈亏的方向判断上，模型给出的 F1 稳定在 0.8 到 0.85 之间。
两者的差距说明了一件事。行为模型擅长回答「这个人会不会动手」这类问题，不擅长回答「他会在哪个具体价位、以什么量下单」。对券商风控来说，前者已经足够有价值，因为它决定的是要不要收紧保证金、要不要启动对冲。
它也有明确的信息边界。上面那个黄金暴跌案例之所以成立，是因为模型从身份核验、通话语气、开户流程这些与交易毫无关系的信号里读出了反应模式。一旦某类风险在数据里没有留下痕迹，模型同样会失效。
与世界模型研究的关系
把 42AI 放进世界模型这条赛道里看，它做的是一次目标替换。物理世界模型预测的是环境如何演化，行为世界模型预测的是人如何行动，后者的模拟世界由行为构成而不是由像素构成。
这与学术侧近两年的几个方向可以对照。清华代数世界模型 AWM 把抽象代数结构作为推理的中间状态，目标是让模型在 ARC-AGI-3 上通关；Hy-Nomas 用 8B 规模跑世界模型，关心的是显存占用下的可运行性；千诀 Polibrain 让同一套世界模型跨五类机器人复用，指向的是具身智能的泛化。
三条路都在预测，预测对象完全不同。42AI 的独特之处在于它的输出直接连着真金白银的敞口管理，这让它比学术工作更早面对真实数据里最不规律的部分，也就是人。
常见问题
行为世界模型和强化学习里的世界模型有什么区别
强化学习的世界模型服务于策略学习，编码的是环境状态与转移概率，用来在想象里做 rollout。42AI 的 BWM 编码的是个体行为状态与行为分布，目标是直接给出这个人在新情境下的行动概率，不参与训练一个策略。
98% 的准确率可以拿去用吗
不能按字面理解。98% 指交易流落在预测区间内这个比例，逐笔命中的口径下模型的 F1 是 0.8 到 0.85。这个水平足以支撑保证金与对冲这类粗粒度决策，不足以支撑择时。
模型真的不需要个人身份信息吗
按官方说法，模型不接收个人可识别信息，永远不知道这个人是谁。它基于客户活动之间的关联生成个体行为画像，这与面向特定用户做推荐的系统在合规压力上区别很大，也是它能进券商流程的前提。
小结
42AI 6250 万美元这个数字并不是这家公司最值得关注的地方。真正值得看的是它把一个被主流世界模型研究忽略的预测对象摆到了台面上。物理规律相对稳定，人的行为在极端行情里会突变，而金融机构恰恰在那些时刻最需要可用的预测。
用十个基础特质去解释一个人在灾难性行情里的卖出决定，这个想法的野心和它的可验证性都还在早期。十家经纪商、七位数美元营收和 0.8 到 0.85 的 F1 是真实进展，但把这套东西推广到反欺诈与网络安全，考验的是它在新场景里还能不能读出同样稳定的特质。
相关阅读
- 清华代数世界模型 AWM：ARC-AGI-3 183 关全通
- Hy-Nomas 拆解：8B 世界模型用 20.53 GiB 显存跑 100 秒
- 千诀 Polibrain 世界模型发布：5 类机器人复用
- 微软 Project Quine：生物学世界模型筛出抗癌候选物
- 度小满轩辕 4.5 发布：效果提升三成
延伸阅读
- 千诀 Polibrain 发布：隐变量研究早 LeCun 约 1 年2 周前
- 智象未来 HiDream-O1-Video-1.0 发布：全模态输入一键直出 5-20 秒 1080p，图生视频榜全球第四1 月前
- 东风人形机器人小东10月进厂：自研直线关节峰值推力8500牛，明年底对标真人1 月前
- 百度将披露世界模型进展：11月12日百度世界大会成窗口5 天前
继续读
同一批更新里这几篇值得一看：
- 清华代数世界模型AWM：ARC-AGI-3 183关全通，动作数仅人类43%2026-11-02
- Google Genie 4 发布：2 分钟世界模拟与原生音频，Gemini 做导演2026-10-28
- Hy-Nomas 拆解：8B 世界模型用 20.53 GiB 显存跑 100 秒2026-10-27