1）模型结构：把赛制变成可计算的“树”
我们将赛事拆分为若干阶段（小组赛、淘汰赛轮次），并把每一轮的可能对阵与晋级关系编码为结构化的“节点—边”关系：
- 节点表示某个阶段的状态（例如：某队进入16强、某场对阵已确定）。
- 边表示从一个状态到下一个状态的转移概率（例如：某队赢下一场淘汰赛）。
- 汇总通过对所有路径概率求和，得到“到达某阶段”的总概率。
这样做的好处是：即便对阵尚未完全确定，我们也能把“不确定的对阵”纳入计算，输出阶段概率的整体分布。
2）比赛胜率：从球队强度到单场结果
单场胜平负（或淘汰赛的晋级）概率来自球队强度差异与比赛环境信息。为保证可解释性，我们把模型分解为两层：
- 强度层：用一个可更新的球队强度参数表征“长期实力”。
- 比赛层：将两队强度差映射为胜率（必要时处理加时/点球的晋级概率）。
对于淘汰赛，我们更关注“晋级概率”而非90分钟胜率：即便常规时间打平，仍可通过加时与点球产生晋级结果，最终以晋级概率进入概率树汇总。
3）小组赛处理：积分、净胜球与多队同分
小组赛的关键在于：晋级不是由单场决定，而是由一组比赛共同决定。我们通常采用“模拟整组赛程”的方式：
- 对小组内每一场比赛按胜率分布抽样结果；
- 按赛制规则计算积分、净胜球、进球数等排序指标；
- 统计每队在大量模拟中进入前两名（或赛制要求名次）的频率，得到出线概率。
当遇到同分规则、极端小概率事件（例如多队相同净胜球）时，模拟框架能自然覆盖这些情景，而不需要手工枚举所有组合。
4）蒙特卡洛模拟：为什么要“跑很多次”
概率树在复杂赛制下会出现大量潜在路径。蒙特卡洛模拟的思路是：用随机抽样近似“对所有路径求和”的结果。
- 模拟次数越多，结果越稳定（但计算成本也越高）。
- 输出更直观：例如“进入八强的概率为 23%”，本质上就是在所有模拟中有23%发生了该事件。
- 适合更新：当出现新赛果、新伤停或新强度评估时，重新模拟即可得到新概率。
5）更新机制：赛果如何影响后续概率
当真实比赛产生结果后，我们会将其视为“已发生的确定事件”，从模型中移除相应不确定性：
- 已结束比赛不再抽样，直接使用真实结果；
- 小组积分与排名的可行空间被收缩，出线概率随之变化；
- 淘汰赛对阵逐步确定后，概率树的分支减少，概率通常会变得更“尖锐”（分布更集中）。
你可以在赛事动态中查看模型更新的解释与关键变动来源。
6）如何阅读结果：把“概率”当作风险与情景
我们建议用以下方式理解页面上的数字：
- 阶段概率是“到达该阶段”的可能性，不是对某场比赛的简单预测。
- 小概率≠不可能：淘汰赛的偶发性会放大冷门；概率为5%依然可能发生。
- 看相对差距：同一阶段下，两队概率差距往往比绝对数值更有信息量。
若你更关注具体球队的路径（例如“从小组到夺冠每一步的风险点”），可前往球队模型查看阶段矩阵与路径拆解。
7）局限性与免责声明
任何预测系统都存在边界条件。为避免误读，我们明确以下局限：
- 信息不完备：伤停、轮换、临场战术等难以完全量化。
- 模型简化：强度参数是对复杂能力的抽象，不等同于“真实实力”的全部。
- 概率不构成建议：本网站内容用于信息与研究交流，不构成任何形式的投资或博彩建议。