最早的一批成员来自统计/工程背景，研究方向只有一个：把比赛拆成可验证的变量，把“感觉”变成“可计算”。
我们从公开赛果与基础数据开始，建立第一套特征体系与回测框架：不追求神奇命中率，只追求可复现、可解释、可迭代。
BlockWin 的雏形在这一阶段形成：
以赔率市场为“信息汇总器”
以球队强弱为“长期结构”
以比赛节奏为“短期波动”
这套框架第一次让我们看到：预测不是“猜答案”，而是输出“概率区间”。
我们意识到“近期状态”不是一场两场的胜负，而是一条连续变化的曲线：体能、赛程压力、轮换策略都在影响结果。
从这一年起，模型开始围绕时间序列建模，建立“赛季节奏”“密集赛程衰减”“主客场漂移”等核心结构。
单纯赛果无法解释很多“看似意外”的结果。
我们开始引入更细颗粒度的事件数据：射门质量、危险进攻、犯规/对抗、控球结构变化等。
lockWin 的方法从“结果回归”逐步走向“过程学习”。
当数据规模与复杂度上来后，传统特征工程的边界出现。
我们开始引入神经网络结构，目标不是炫技，而是解决一个难题：球队风格、球员对位、战术切换这些“难写规则”的信息，必须让模型自己学出来。
这一阶段，BlockWin 的预测从“手工规则”走向“表征学习”。
体育预测的关键，不只在历史数据，而在“临场信息”。
BlockWin 逐步把更贴近真实比赛的输入接入系统：
伤病/停赛、预计首发变化
球员能力画像（雷达/角色/贡献）
预测开始具备“随信息变化而更新”的能力。
我们发现行业普遍问题：模型可能偶尔非常准，但长期不稳定、容易过度自信。
BlockWin 从这一年起把重点从“追更高命中”转向“追更可靠概率”：
我们不满足于“模型说是这样”。 BlockWin 正式把
Attribution（归因解释）纳入产品级输出，让用户看到：
哪些因素在推动概率变化？
是伤病、状态、对位、还是节奏与环境？
这一步，决定了 BlockWin 不是一个“猜测器”，而是一个“解释器”。
体育世界会变：赛季更替、联赛风格变化、规则尺度变化。
BlockWin 建立 Observability（可观测性）与 Drift（漂移监控）框架：
这一年，BlockWin 形成自己的体育表征底座：Sports Foundation Model。
它让我们能用统一向量空间理解球队、球员、风格与状态，并把多任务推断能力纳入同一体系：
胜平负、大小球、让球等口径具备可扩展性。
BlockWin 的核心能力从“单点模型”升级为“底座 + 管线”。