预测题没变，换个奖励规则，AI就换了种犯错方式

作者固定基础模型、预测题数据和训练设置，用五种“适当评分规则”作为强化学习奖励，训练GPT-OSS-120B预测已发生结果的真实新闻事件。数据共8,041题：7,076题训练、965题留出测试，覆盖政治、经济、商业、科学和体育。五种奖励训练版本整体都优于未训练基线，但各有侧重：Brier版本的Brier分数最低（0.1648），AUC最高（0.7511）；Log版本的对数分数最好，校准误差最低（0.0434）。偏差—信息—噪声分解还显示，相近的总成绩可由不同误差结构实现。

这说明理论上都鼓励如实报概率的评分规则，在有限训练中并非可互换；它们可能塑造不同的预测风格。边界也很清楚：主比较只用一个基础模型、一套二元新闻预测数据和每种奖励一个随机种子；Log与Brier的三种子补充复核保留了误差结构差异，但总分差距对种子敏感。不同奖励实际生成的token量最高相差约七倍，研究不能据此断言哪种规则普遍最好，也未检验学生学习或教育成效。