时序基础模型落地难:冻结权重,让AI智能体改写部署流程

资讯 腾讯网 作者:科技行者 全文 4960 字 · 约 13 分钟读完 分类Google亚马逊大模型数据

你有没有遇到过这样的情况:买了一个号称"开箱即用"的智能工具,用起来却发现它根本不懂你的具体业务。时间序列预测领域最近几年就在经历类似的尴尬。谷歌、亚马逊这些大公司陆续推出了"时序基础模型",这些模型在海量数据上训练过,理论上拿来就能预测任何新数据集,不需要再专门训练。时序基础模型(TSFM):一种在大规模...

所属频道 大厂动态模型发布

号称"开箱即用"的智能工具,买回来却发现它压根不懂你的业务——这种遭遇想必不少人都有过。

时间序列预测这一领域,近几年就卡在类似的尴尬里。谷歌、亚马逊等大公司先后推出"时序基础模型",在海量数据上训练过,按说拿过来就能预测任何新数据集,不必再专门训练。

时序基础模型(

听上去挺美。可实际情况是,这些模型虽然"

这道墙究竟长什么样

假设你在做停车场车位预测系统。模型本身不笨,车位数量随时间变化的规律它能看明白,可周末和工作日的停车模式大不相同,它并不知道;某些节假日商场门口排起长队,它同样不知道。这些信息,得你手动喂给它。

再拿供应链订单量预测来说。每周的周期性波动,模型抓得住,但国庆节那天某个客户的订单量铁定是零——仓库放假了,这一点它不清楚。这类业务常识,模型自己学不出来,只能靠人告诉它。

论文开头点出的核心矛盾正在这里:直接拿基础模型做推理,大量领域知识会被漏掉,历史预测里反复冒头的错误模式也一并被忽略;可要做一个贴合业务的专属预测流程,又得投入大量人力去设计和调试。

过去,这道鸿沟只能靠数据科学家一行行代码去填。

论文里有个例子很能说明问题:日历信息到底该怎么用?直接塞进模型输入,还是单独训练一个小模型来处理、再把结果与主模型的预测做融合?两种做法听着都合理,可哪个效果更好,谁也说不准,只能实际跑数据来验证。

这篇论文要解决的正是这个问题。佐治亚理工、南加州大学等机构的研究者提出了一个叫

TIMERSI

论文的核心思路一句话就能概括:基础模型本身冻结,但让一个会写代码的AI agent围着它反复折腾部署流程,用历史数据的真实误差来指导怎么改。

RSI(递归自我改进)

这里有个关键的设计决策:时序基础模型的权重全程保持冻结,不做任何微调。

这个决定其实挺反直觉。你或许会想,模型不够懂业务,那不该去微调模型本身吗?研究者却选了另一条路:不碰模型内部,只改模型外面的"衣服",也就是输入怎么处理、输出怎么修正。

微调基础模型这条路,成本高、风险也大;不少部署场景压根凑不齐数据,去微调一个数十亿参数的模型并不现实。反过来,在模型外面写一层“适配代码”就轻得多,也好控制,出了问题随时能回滚。

这就好比你租了一套精装修的房子,房东不许砸墙改格局,但允许你随便摆家具、挂装饰画、换窗帘。承重结构动不了,可只要布置得当,这套房子完全可以变得像为你量身定做的一样。真要允许砸墙,装修成本和风险会直线上升,万一砸错承重墙,房子塌了都有可能。只动表面,风险小,还能快速试错。

具体来说,AI agent能动的"家具"分四类:数据预处理、特征构造、

预处理是在数据进入模型前做变换,比如对原始数值做对数转换;特征构造则是往模型里加新的输入变量,比如把日期转成"是否周末"这样的特征;

这四个环节,agent都能自由发挥,但模型内部的参数,agent一个字节都碰不了。

迭代改进:拿历史数据当"陪练"

有了这套可以修改的部署流程框架,接下来的问题是:agent怎么判断改得对不对?

答案是用历史数据练手。

论文里设计了一套挺巧妙的办法。新预测的结果还没发生,改得好不好没法直接验证,于是拿过去已经发生、结果已知的时间窗口来当"模拟考"。

流程是这样走的:系统先圈出较早的一批历史窗口,当作agent反复试错的"训练场"。agent每改出一版代码,系统就把它放到这些历史窗口上跑,算出误差,再把误差详情、错在哪儿、错了多少一并反馈回去。agent拿到反馈后决定:这个思路接着打磨,还是推翻换条路。

循环就这么转,默认最多六轮。每一轮agent都能看到此前所有版本的代码和表现,后面的改进建立在前面的经验上,不是每回都从零开始瞎猜。

论文里有个供应链预测的案例,很能说明这种迭代的价值。第一轮,agent发现

但agent没停在这儿。它接着去试节假日后一天是不是也该打折,一开始把这套逻辑套到了

这跟学炒菜差不多。头一回盐放多了,尝一口太咸,下回就少放点;第二回火候不够,菜没熟透,再下回就多炖一会儿。每次调整都因为上一次有明确反馈,知道具体哪儿出了岔子。要是没有"尝一口"这一步,你根本不知道自己做得对不对,只能凭感觉乱加调料,端上桌的菜多半一塌糊涂。

迭代预算用完后,系统不只留最后一版代码,而是把所有迭代产出的候选方案拿到另一批更靠后的历史窗口上统一打分,挑出表现最好的几个,再加上最初那个"什么都不改、直接用模型推理"的基准版本,凑成一个"候选方案池",留给下一个环节。

自适应选择

论文里还有个不太起眼、其实很关键的设计:哪怕agent已经改出几套看着都不错的部署方案,系统也不会固定用某一套走到黑。

为什么这么设计?论文提到一个很现实的问题:平均表现好的方案,不代表在每种具体情况里都最优。

举个例子。你给某个停车场的预测流程做了优化,加上周末特征,整体效果提升了。可这套方案在每一次具体预测里都最优吗?不一定。某一周赶上突发大型活动,车流模式完全偏离平常的周末规律,这时候"加了周末特征"的那套反而不如最朴素的直接推理准。

于是TIMERSI设计了第二层机制:

每次要做新预测,系统先用一些数值特征描述"眼下是什么情况",比如最近的数值相对历史中位数偏高还是偏低、最近的趋势是涨是跌、模型给出的初步预测大致是什么形状。然后系统去历史记录里找出若干和当前情况最相似的历史窗口,看候选方案池里每一套方案在那些相似情境下表现如何。

最后,哪套方案在相似情境下历史误差最小,就临时启用哪套。

这个思路很像老中医看病。不是备一个"万能药方"治所有感冒,而是先号脉看舌苔,判断你这次属于哪种类型,再从药房里挑最对路的方子。不分青红皂白用同一个方子,有的病人吃了有效,有的吃了可能没用,甚至适得其反。

而且这个选择会随时间不断更新。每当一个新预测窗口的真实结果揭晓,系统就把这次各套方案的实际表现加进历史记录库,供后面的相似度匹配参考。方案的代码本身不再改动,但"该用哪套"这个决策会持续跟着最新结果调整。

论文把整个过程拆成两个相对独立的阶段,前一个阶段负责把部署方案越改越好,后一个阶段负责决定具体场合用哪一套。这么分工,系统既有迭代进化的能力,也有临场应变的灵活性。

真实效果:在两大权威榜单上拿下第一

说了这么多设计思路,实际效果到底怎么样?

团队选了两个在业内被广泛认可的时序预测基准来跑验证。其中 TIME 包含 98 个预测任务,具体预测实例超过 11 万个;另一个叫

MASE(平均绝对比例误差)

结果是,TIMERSI在两个基准测试集一共六项评测指标上全部排名第一,超过了此前所有公开提交的方法。

具体数字上,相比直接用同一个基础模型

乍看之下,这点涨幅谈不上惊人。可对比的对象是 TimesFM 3.0——一个喂过海量数据、底子本就很硬的模型。模型参数一个没动,只在外围把部署流程打磨了一遍,准确率就能再抬高一到两个百分点。基础模型自身的本事,和落到实际使用中的预测精度,中间确实隔着一截,而这一截可以靠部署工程补上。

真正该留意的是另一组对照实验。研究者做了一个“非迭代搜索”的版本:agent 照样产出同样数量的候选方案,但把“照着历史误差反馈往回改”这一步拿掉了——几个方案一口气生成,然后直接选最好的那个来用。

结果呢,这个“非迭代”版本的表现还不如什么都不动、直接拿基础模型推理。TIME上MASE从0.640退到0.650,FEV-bench上MASE技能得分从37.8分滑到30.5分。

这个结果说明的问题挺实在:让AI agent“猜”几个方案再挑一个,跟让它“试错迭代”出几个方案再挑一个,压根不是一回事。前一种做法很可能走偏,后一种才有真价值。

打个比方,一个人从没下过厨,让他凭空想三份菜谱,和让他先炒三回、每回尝完再改配方、最后留下最好的三份,差别就在这儿。前者做出来的东西多半没法吃,缺的就是真实反馈的校准;后者过程再磕绊,每一步也被现实验证过。

论文还换了不同的编程agent和基础模型来测,看是否照样有效。把

可见TIMERSI这套框架并非只在某一组特定模型上才灵的“偏方”,它有一定普适性。

四个具体案例:知识是怎么变成代码的

光看数字可能还不够直观,

第一个是海洋洋流预测。agent利用已知的潮汐周期知识,比如

再来看太阳能计数器数据这一项。这类数据有一种特殊的物理规律被agent注意到了:一天之内读数不断往上累加,到某个节点就进入平台期,第二天又清零重来。agent的处理方式并非直接去改模型预测的数值,它先拿历史数据拟合出这种“累积—重置”的标准形状,再借助模型预测的大致水平来校准这个形状,说白了就是形状由经验定、幅度由模型定。这么一来,MASE降了2.86%。

汽车生产季节性因子预测是第三个案例,涨幅最猛,MASE从0.757一下子掉到0.234,相对误差少了69%。在这个任务上,agent没走给模型打补丁的老路,它直接根据日历信息和月度趋势训练了一个专用预测器来输出点预测,然后再借用基础模型给出的

四个案例摆在一块儿看,agent干的事其实差得很远:有的加特征,有的拆信号,有的修形状,有的索性自己另起炉灶训个小模型。这说明不存在一套万能的部署套路能应付所有任务,每个任务背后的业务逻辑不一样,需要的适配手段也完全不一样,而这正是过去得靠大量人力一个个去摸的部分。

写在后面

读完这篇论文,有个细节让我反复琢磨:研究者没去微调基础模型本身,而是把全部“智力”都投到了模型外围的部署代码上。

这其实是一种务实的工程哲学。基础模型训练成本以百万美元计,谁也没法为每个具体业务场景重训一遍。可部署流程的调试成本低得多,一个AI agent几十分钟就能跑完几轮迭代。与其死磕一个成本高昂、风险难控的方向,不如把资源集中在收益更高、试错更便宜的环节上。这种“抓大放小”的取舍思路,或许比具体的技术细节更值得记住。

论文也直说了自己的短板:历史窗口上跑得好,不等于将来也跑得好。说到底,这是任何拿历史数据做决策的系统都躲不开的老毛病,时间序列预测圈子里把它叫作“

还有一点挺有意思:supply chain那个案例中,agent起初判断错了。它本来想把“节假日后一天打折扣”这条规则搬到感恩节后的购物季,可历史数据却表明这么干效果更糟。这个细节很真实,说明即便AI靠写代码来优化自己,照样会犯凭直觉犯的错,也得靠真实反馈来纠正。人类专家调模型的流程跟这其实没多大差别,无非执行的人换成了更快的AI。

那接下来也许该问:假如agent自己就能摸出部署方案,数据科学家的角色以后会不会从“写代码调参数”转成“把任务描述写清楚、审核agent改动的逻辑”?论文给出的方向,看上去正朝这种可能走。

Q&A

Q1:TIMERSI是什么?

A:TIMERSI属于一套自我改进的部署系统,它围绕冻结的时序基础模型运转:一个会写代码的AI agent依据历史预测误差一遍遍修改部署流程,再由自适应选择机制为每一次新预测挑出最合适的方案。

Q2:TIMERSI会修改时序基础模型本身的参数吗?

A:不会。整个过程中TIMERSI都让基础模型权重保持冻结,改的只是模型外围的四个环节——数据预处理、特征构造、上下文选择和后处理,模型内部的结构和参数一概不动。

Q3:TIMERSI的实际预测效果怎么样?

A:在TIME和FEV-bench两大基准测试集的六项指标上均排名第一,相比直接用TimesFM 3.0裸推理,MASE误差降低1.52%,CRPS误差降低1.61%,FEV-bench上的技能得分也有2到3个百分点的提升。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. AI鼻子媲美人类嗅觉?30名闻香师正在训练它

    在新泽西州纽瓦克机场附近的一间实验室里,约30名经验丰富的人类嗅辨员正逐一品鉴地球上的各种气味。他们记录的“坚果味”“桃子味”“海洋味”等笔记,会与化学分析结果交叉比对,为AI初创公司Osmo打造其号称全球首个“气味基础模型”提供训练数据。这家公司希望让机器学会“闻”,把嗅觉这一最难数字化的感官真正带入AI时代。

    来源 AI 行业观察
  2. 谷歌Chrome造“平行互联网”:AI代理先在沙盒里犯错

    为了让AI浏览代理在真实网页上替用户办事,谷歌Chrome团队搭建了一个与真实互联网平行的“镜像维度”沙盒。在这个替代宇宙里,代理可以尽情犯错、暴露失控风险,而不会波及真实用户。这既是浏览器AI竞赛的基础设施,也折射出AI代理安全测试的行业难题。

    来源 AI 科技快讯
  3. Gemini登陆Mac桌面:AI代理可代操作电脑,隐私风险几何?

    谷歌为Gemini推出面向Mac的重磅更新,首次将可执行任务的AI代理引入桌面端,能够整理文件、填写表单并完成多步骤工作流。这标志着Gemini从对话助手向“能动手”的操作型智能体进化,也意味着谷歌在桌面AI代理赛道正式与OpenAI、Anthropic和微软正面交锋。与此同时,桌面自动化带来的便利与隐私风险

    来源 AI 科技快讯
  4. AI时代人类价值在哪?梁建章抛出答案:创新、生育、去旅行

    11月19日,一年一度的携程全球合作伙伴峰会在悉尼举办,作为旅游圈的年度盛会,今年的主题自然是绕不开AI大模型。各路大佬都在台上狂秀肌肉,讲AI怎么颠覆世界,但携程董事局主席梁建章在台上却抛出了一个极其硬核的观点。他说,在AI时代,人类生命的意义,其实就三件事:创新、生孩子、去旅行。这话一出,估计给台下坐着一千多号全球

    来源 腾讯网
  5. 数据要素×三年行动换题:从建场景转向修流通,AI才能不缺燃料

    11 月 3 日,国家发改委“奋进十五五”发布会上,国家数据局政策和规划司司长栾婕说了一句话,被很多人划过去了:“将会同相关部门谋划实施新一轮‘数据要素×’三年行动,研究制定重点行业数据流通利用指引。”上一轮,发的是“典型场景指引”。这一轮,发的是“流通利用指引”。两个词之差,考卷换了。过去三年,我们答的...

    来源 腾讯网
  6. 谷歌AI模式上线临时线程:搜索不留痕,服务器端仍存约两个月

    11月18日, 谷歌 宣布在全球桌面端及移动端浏览器的 搜索AI模式 中正式推出“临时线程”(Temporary Threads)功能,允许用户发起私密、非个性化的即时搜索,使其查询记录不留存于个人历史且不干扰后续算法推荐。 该功能借鉴了独立应用 Gemini 的临时聊天机制,用户无需修改账户隐私设

    来源 AI 开发者社区
  7. 谷歌与蓝色起源合作,计划2029年发射AI服务器卫星

    IT之家 11 月 19 日消息,谷歌与蓝色起源(Blue Origin)今天达成合作,计划将 AI 服务器卫星送上太空。IT之家了解到,蓝色起源的新格伦火箭将于 2029 年第一季度,发射带有谷歌 TPU(张量处理单元)的卫星,算力大致相当于一整个数据中心机架。此次合作是谷歌“太阳捕手计划”的一部分,旨在探索太空 A

    来源 腾讯网
  8. 谷歌DeepMind发布SIM记忆法:让AI跨模型持续自我改进

    智东西11月19日报道,近日,谷歌云AI、谷歌DeepMind与美国宾夕法尼亚州立大学的研究团队联合发布论文《自改进记忆,实现持续递归式自改进》(Self-Improvement Memory Enables Continual Recursive Self-Improvement),提出了一种名为自我改进记忆(Sel

    来源 AI 行业观察
  9. 谷歌报告:黑客用AI盯补丁生成攻击代码,n-day窗口期被压缩

    厂商刚发布安全补丁,你的屏幕上就弹出了更新提示。 你手头正忙,顺手点了「稍后提醒」。 而此时,黑客也在等这份补丁。 厂商改了哪几行代码,他们就让AI盯着哪几行。一旦发现破绽,AI还能自动写出攻击代码,在旧版本上试一试。 从补丁公开到你装好更新,中间有一段窗口期。 你的软件还留着原来的漏洞,攻击者手里却可能已经多了一份精

    来源 AI 行业观察
  10. 谷歌Project Genie升级:开放AI Ultra用户体验

    IT之家 11 月 19 日消息,今年早些时候,谷歌推出了实验性研究原型 Project Genie,可让用户生成并探索交互式虚拟世界。早期测试用户反馈,希望能对世界内发生的内容有更强控制力,同时拥有更便捷的建造、分享方式。 如今,谷歌面向符合资格的 Google AI Ultra 订阅用户推出全新 Project G

    来源 AI 行业观察
  11. 谷歌搜索AI模式上线临时线程:可无痕私密搜索

    11月18日,谷歌在全球桌面及移动端浏览器的搜索AI模式中推出“临时线程”功能。用户可发起私密、非个性化即时搜索,查询记录不留存于个人历史,也不干扰后续算法推荐。该功能借鉴Gemini临时聊天机制,无需修改账户隐私设置,点击AI模式右上角临时对话图标即可开启,关闭后内容即从界面清除。

    来源 AI 产业速递
  12. 版权、流量与AI:在线音乐平台迎来新战事

    作者 | 刘艺晨 音乐平台从未像今天这样不缺新歌,但下一个能够持续创造商业价值的音乐明星,依然难寻。11月17日,腾讯音乐公布2026年第三季度财报,营收89.41亿元,同比增长5.6%,低于市场一致预期。依靠高阶会员、演唱会和艺人周边,这家在线音乐巨头正进一步挖掘成熟IP的商业价值,但主力产品的用户活跃度仍然承压。存

    来源 腾讯网
  13. 谷歌AI Mode上线临时对话:聊天不进搜索历史,无痕开关来了

    谷歌为其搜索中的AI Mode上线“临时对话”功能,用户与AI的交流不会写入搜索历史,也不会影响后续推荐。这一类似浏览器无痕模式的设计,正面回应了外界对AI搜索记录隐私的担忧,也标志着搜索巨头正在个性化体验与用户隐私之间寻找新的平衡点。

    来源 AI 科技快讯
  14. 上海医疗AI落地:新华医院用CT筛出肠癌,患者险当诈骗电话

    界面新闻记者 | 黄华界面新闻编辑 | 谢欣11月初,上海市卫生健康委、上上海市医保局等共同启动“医疗健康数据融合开发利用工作专班”,专班将响应国家数据局医疗健康行业数据资源开发利用攻坚行动,承担推进全市卫生健康数据的制度建设、融合开发、场景创新、市场运营等任务,更好释放医疗数据要素价值。此前在今年7月,《...

    来源 腾讯网
  15. 纳格尔获2026伯格鲁恩哲学奖:AI意识论“荒谬可笑”

    著名哲学家托马斯·纳格尔因在非人类意识领域的里程碑研究,荣获2026年伯格鲁恩哲学奖(奖金100万美元)。他在接受WIRED采访时,对当前AI意识热论泼冷水,直言将大语言模型视为有意识存在“简直荒谬”。本文梳理纳格尔的意识哲学观点,分析AI意识争论的背景与误区。

    来源 AI 科技快讯
  16. Isomorphic Labs完成50亿美元融资:AI制药最大单轮,新药仍待验证

    当地时间11月17日,谷歌系AI制药公司Isomorphic Labs宣布完成50亿美元(约合人民币355亿元)C轮融资,由Greenoaks和红杉资本联合领投,a16z等新投资者参与,谷歌母公司Alphabet继续大规模投资。淡马锡、Thrive Capital、MGX等原有投资者也参与其中。 本轮融资创下了全球AI

    来源 腾讯网
  17. MIT“AI炒作指数”:AI像皮疹蔓延,人还能做主吗?

    MIT Technology Review发布“AI炒作指数”,指出人工智能已渗透日常生活每个角落:Google不惜损失数十亿美元广告收入强推AI Overviews,人形机器人开始被搬进家庭清洁场景,超市、街道、手机屏幕处处是AI。文章剖析这场全民AI热潮背后的商业逻辑、技术现实与泡沫隐忧,追问当AI像皮疹

    来源 AI 科技快讯
  18. Anthropic冲击IPO:AI循环融资模式迎来首次公开定价

    Anthropic走向公开市场,意味着它必须背负巨额算力承诺接受投资者审视。这家明星公司的上市,不只关乎自身成败,更被视为检验AI行业“循环融资”模式成色的关键一役——即便Anthropic失去领先,亚马逊、谷歌等基础设施伙伴仍可能继续从AI浪潮中获利。

    来源 AI 行业观察
  19. 谷歌Gemini登陆Mac:AI代理代操作电脑,桌面入口争夺战开跑?

    谷歌为Gemini推出面向Mac的重磅更新,首次将可执行任务的AI代理引入桌面端,能够整理文件、填写表单并完成多步骤工作流。这标志着Gemini从对话助手向“能动手”的操作型智能体进化,也意味着谷歌在桌面AI代理赛道正式与OpenAI、Anthropic和微软正面交锋。与此同时,桌面自动化带来的便利与隐私风险,也成为用

    来源 AI 行业观察
  20. 谷歌字节快手集体降价,AI视频进入分秒计价时代

    AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。 11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等功能升级,还把价格打了下来,720p降到每秒0.07美元(约合0.47元/秒),比上一代低3

    来源 AI 行业观察
  21. LlamaIndex发布OCRia-1.5,NVIDIA推Cosmos数据工厂

    本期速报关注文档解析与合成数据的新进展。LlamaIndex推出OCRia-1.5模型家族,提升复杂表格解析精度;Google DeepMind上线Genie 4,支持原生音频与实时编辑;NVIDIA发布Cosmos Data Factory蓝图,通过Prompt生成含稀有事件的训练数据。此外,Gemini应用适配低内

    来源 AI 应用前沿
  22. GAO报告显示四大AI平台12小时内生成恐袭方案 参议院听证将聚焦安全风险

    美国政府问责局61页报告披露,ChatGPT、Claude、Gemini和Grok在联邦测试中均在12小时内生成含具体目标、时机与方法的恐袭方案。参议院国土安全委员会主席宣布启动听证,四家企业回应称正持续改进安全机制。报道还原测试过程,拆解守约失效机制,并分析对产业监管与竞争格局的影响。

    来源 AI 科技快讯
向下滚动自动加载更多