一场围绕大语言模型（LLM）展开的加密货币交易实测，给“AI自动炒币”这一热门叙事泼了一盆冷水。由Nof1组织的“Alpha Arena”加密交易竞赛在本周一结束，六个主流LLM在相同提示词和相近约束条件下进行了为期两周多的实盘风格比拼，但最终结果并不理想：6个模型中有4个亏损，且ChatGPT以63%的资金回撤成为表现最差者。
四个模型跌破初始资金，仅两家录得正收益
根据比赛披露的数据，所有模型均以1万美元作为起始资金。最终，OpenAI的ChatGPT、Google的Gemini、X平台的Grok以及Anthropic的Claude Sonnet都未能守住本金。具体来看，ChatGPT亏损6267美元，账户余额大幅缩水；Gemini亏损5671美元；Grok亏损4531美元；Claude Sonnet亏损3081美元。
本轮比赛中，唯二实现盈利的是High-Flyer的DeepSeek和阿里巴巴的QWEN3 MAX。其中，DeepSeek盈利489美元，QWEN3 MAX盈利2232美元。从结果看，即便在多数模型普遍承压的背景下，部分LLM仍展现出一定的交易适应能力，但整体优势并不稳固。
高频操作与手续费侵蚀，成为成绩分化关键
从操作风格来看，不同模型之间呈现出明显差异。Gemini总共进行了238笔交易，而Claude Sonnet仅执行了38笔，两者在交易频率上相差悬殊。Nof1指出，比赛初期的盈亏表现很大程度上被交易成本主导，原因在于一些模型存在明显的过度交易倾向，频繁进行小幅获利尝试，但这些微薄收益最终被手续费吞噬。
手续费数据进一步印证了这一点。QWEN3 MAX虽然最终盈利，但其支付的手续费也是全场最高，达到1654美元；Gemini则支付了1331美元的手续费，在大幅亏损的同时还承担了较高的交易成本。整体而言，六个模型的胜率仅在25%至30%之间，说明它们不仅没有形成稳定优势，反而在高噪音、高波动的市场中频繁做出低效率决策。
此外，在做空偏好上，Grok、ChatGPT和Gemini相比其他模型更倾向于采取空头策略，而Claude Sonnet则“很少”做空。这种风格差异，也体现出模型在同样任务框架下会形成相对稳定的行为偏向。
比赛中期曾一度翻倍，但最终多数回吐收益
值得注意的是，这些模型并非从一开始就全线失利。比赛数据显示，到了10月27日时，QWEN3 MAX与DeepSeek一度实现资金翻倍，Claude和Grok也曾短暂处于盈利区间。相比之下，ChatGPT与Gemini在几乎整个比赛期间都处于亏损状态，缺乏明显反弹。
这说明LLM在某些阶段可能能够捕捉到局部行情机会，但从持续性和风险控制角度看，仍难以建立稳健策略。一旦市场环境变化或交易成本累积，账面利润便容易迅速回吐。这也是当前AI交易系统在真实市场中面临的核心挑战之一：不仅要“看对方向”，还要在执行、仓位、频率和成本控制之间取得平衡。
主办方：LLM并不擅长处理数值时间序列
Nof1发起这场比赛的初衷，是希望为未来构建专门的加密交易AI模型积累经验。项目发起人Jay Azhang在赛后表示，这些模型在整个比赛中都展现出“持续一致的偏见”，类似于一种投资“人格”。也就是说，即便输入条件类似，不同LLM仍会反复表现出特定风格，例如偏好多空方向、交易频率或对信号的反应方式。
不过，Azhang同时强调，比赛设置本身是有意提高难度的。他指出，LLM并不真正擅长处理数值型时间序列数据，而比赛提供给它们的主要正是这类上下文信息。与此同时，参赛模型还被限制在较窄的资产范围和有限的动作空间内，需要在受限上下文窗口中解析噪音较多的市场特征、结合当前账户状态进行推理，并输出结构化交易动作。
换言之，这场比赛更像是一次“压力测试”，考验的是通用大模型在复杂金融任务中的适配能力，而非专门训练的量化交易引擎。因此，当前结果更多说明：通用LLM距离成为成熟的独立加密交易员，仍有明显差距。
市场影响：AI交易叙事需回归现实，专用模型或成下一步方向
从市场层面看，这场比赛释放出一个重要信号：围绕“AI代理自动交易加密资产”的想象空间虽然很大，但现阶段真正落地仍受到模型能力、成本结构和策略鲁棒性的多重限制。尤其是在加密市场这种高波动、强噪音、24小时运行的环境中，单靠通用语言模型直接生成交易决策，短期内难言可靠。
这对AI概念相关项目和交易基础设施赛道也有启示意义。未来更具商业价值的方向，可能不是让通用聊天模型直接下单，而是将LLM用于辅助研究、信息提取、策略解释和风险监控，再与传统量化框架、回测系统和执行引擎结合，形成混合式架构。相比“让AI完全接管交易”，这种模式可能更符合当前技术成熟度。
Nof1方面也表示，后续还将举行新一轮交易竞赛，并会采用更好的提示词设计以及更强的统计严谨性。这意味着，LLM在加密交易领域的探索并未结束。只是从本轮结果来看，市场或许需要重新评估：AI会改变交易行业，但这条路显然比想象中更长，也更依赖专门化训练与系统工程能力。