Token导航 LogoToken导航

AI 资讯 · 科技行者

时序基础模型实际部署为何失效

更新 2026-11-19科技行者正文 6250字阅读约 20分钟

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):一种在大规模时间序列数据上预训练的模型,可以直接对新的、从未见过的数据集进行预测,不需要重新训练权重。

听起来很美好。但现实是,这些模型虽然"零样本"预测能力不错,真要部署到具体业务场景里,依然会撞上一堵墙。

这堵墙长什么样

想象你在做一个停车场车位预测系统。模型本身很聪明,能看懂车位数量随时间变化的规律,但它不知道周末和工作日的停车模式完全不同,也不知道某些节假日商场门口会排起长队。这些信息需要你手动告诉它。

再比如你在预测供应链订单量。模型能抓住每周的周期性波动,但它不知道国庆节那天某个客户的订单量铁定是零,因为仓库放假了。这种业务常识,模型学不出来,得靠人告诉它。

这就是论文开头提出的核心矛盾:直接拿基础模型做推理,会漏掉大量领域知识和历史预测中反复出现的错误模式;而想做一个贴合业务的专属预测流程,又需要大量人力去设计和调试。

这中间的鸿沟,过去只能靠数据科学家一行行代码去填。

论文里举了个例子很说明问题:日历信息到底应该怎么用?是直接塞进模型的输入里,还是单独训练一个小模型来处理,再把结果和主模型的预测做融合?这两种做法听起来都合理,但哪个效果更好,谁也说不准,得靠实际跑数据去验证。

这正是这篇论文要解决的问题。来自佐治亚理工、南加州大学等机构的研究者们提出了一个叫TIMERSI的系统,试图让AI自己来干这个脏活累活:根据任务描述自动写代码,自动测试,自动根据历史表现挑出最靠谱的那套方案。

TIMERSI:让AI agent自己摸索出最佳部署方案

这篇论文的核心思路可以用一句话概括:冻结基础模型本身,但让一个会写代码的AI agent围绕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):论文引用的一种方法论,指系统通过不断评估自己的输出、发现问题、修正,逐步变得更好的过程。TIMERSI把这个思路用在了时序预测的部署环节上。

这里有个关键设计决策: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的。你可能会想,既然模型不够懂业务,那不该微调模型本身吗?但研究者选择了另一条路: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。

为什么这么做?因为微调基础模型成本高、风险大,而且很多部署场景下你根本拿不到足够的数据去微调一个数十亿参数的模型。相比之下,围绕模型写一层"适配代码",既轻量又可控,还能随时回滚。

这就好比你租了一套精装修的房子,房东不让你砸墙改格局,但允许你随便摆家具、挂装饰画、换窗帘。你没法改变房子的承重结构,但通过合理布置,这套房子完全可以变得像为你量身定做的一样。如果允许砸墙,装修成本和风险会直线上升,万一砸错了承重墙,房子塌了都有可能。只动表面的,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、上下文选择、后处理。

预处理是指在数据进入模型前做变换,比如对原始数值做对数转换;特征构造是指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;上下文选择是指决定把多长的历史数据、哪些变量组合喂给模型;后处理则是指模型吐出预测结果之后,再做修正,比如把预测出来的负数订单量强行改成零。

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: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怎么知道改得对不对?

答案是靠历史数据练手。

这里论文设计了一个很巧妙的机制。既然新预测的真实结果还没发生,没法直接验证改得好不好,那就用过去已经发生、结果已知的时间窗口来做"模拟考"。

具体流程是这样的:系统先把早期的一批历史窗口划出来,作为agent反复试错的"训练场"。agent每次改一版代码,系统就拿这版代码在这些历史窗口上跑一遍,算出误差,再把误差详情、哪里错了、错了多少,全部反馈给agent。agent看完这些反馈,决定是继续优化这个思路,还是推倒重来换个方向。

这个过程循环进行,默认最多六轮。每一轮agent都能看到之前所有版本的代码和对应的表现,所以后面的改进是建立在前面经验基础上的,不是每次都从零开始猜。

论文里有个供应链预测的案例特别能说明这个迭代过程的价值。第一轮,agent发现美国独立日那天某客户的历史订单几乎全是零,于是写了条规则:只要某天是公认节假日,且这个目标变量过去在同一节假日里八成以上时间是零,就把预测强行设为零。这一步让历史误差明显下降。

但agent没有停在这里。它接着测试节假日后一天是否也该打折扣,一开始把这个逻辑套用到了感恩节后的"黑色星期五",结果历史反馈告诉它这么做反而让误差上升了,于是agent把这条规则收窄,只保留了独立日后一天的调整。整个过程一共迭代了六次,每一次都是基于上一次的真实反馈做出的具体修正,不是盲目尝试。

这就像学做菜。你第一次炒菜放多了盐,尝一口发现太咸,下次就少放点;第二次火候不够,菜没熟透,再下次就多炖一会儿。每一次调整都是因为上一次有了明确的反馈,知道具体哪里出了问题。如果没有"尝一口"这个反馈环节,你永远不知道自己做得对不对,只能凭感觉乱加调料,最后端上桌的菜很可能一塌糊涂。

等迭代的预算用完之后,系统不会只保留最后一版代码,而是会把所有迭代产生的候选方案,拿到另一批更靠后的历史窗口上做一次统一打分,挑出表现最好的几个,连同最初那个"什么都不改,直接用模型推理"的基准版本,一起组成一个"候选方案池",留着给下一个环节用。

自适应选择:不是一套方案用到老

这篇论文还有一个不太容易被注意到、但其实很关键的设计:就算agent已经改出了几套看起来都不错的部署方案,系统也不会固定用某一套走到黑。

为什么要这样设计?因为论文里提到一个很现实的问题:一个平均表现很好的方案,不代表它在每一种具体情况下都是最优的。

举个例子。你给某个停车场的预测流程做了优化,加了周末特征,整体效果提升了。但这套方案是否在每一次具体预测中都是最优的?不一定。可能某一周因为突发的大型活动,车流模式完全偏离了往常的周末规律,这时候"加了周末特征"的那套方案反而不如最朴素的直接推理方案准。

于是TIMERSI设计了第二层机制:自适应选择。

每次要做新预测的时候,系统会先用一些数值特征来描述"现在是什么情况",比如最近的数值相对历史中位数是高是低、最近的趋势是涨是跌、模型给出的初步预测形状大概是什么样。然后系统去历史记录里,找出若干个和当前情况最相似的历史窗口,看看候选方案池里的每一套方案,在那些相似的历史情境下,表现究竟如何。

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。不是有一个"万能药方"治所有感冒,而是先号脉看舌苔,判断你这次感冒属于哪种类型,再从药房里挑出最适合这种类型的药方。如果不分青红皂白用同一个方子,有的病人吃了有效,有的病人吃了可能没用甚至适得其反。

而且这个选择过程会随着时间推移不断更新。每当一个新的预测窗口的真实结果揭晓,系统就会把这次各套方案的实际表现也加入历史记录库,供后续的相似度匹配参考。方案的代码本身不再变动,但"该用哪套方案"这个决策会持续根据最新结果调整。

论文把这个过程拆解成两个相对独立的阶段,前一个阶段负责把部署方案改得越来越好,后一个阶段负责决定在具体场合用哪一套,这种分工让整个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?

研究团队在两个业界认可度很高的时序预测基准测试集上做了验证:一个叫TIME,包含98个预测任务,覆盖超过11万个具体预测实例;另一个叫FEV-bench,有100个任务,涉及超过23万个预测实例。这两个基准测试集都收录了几十个公开提交的预测方法,包括谷歌的TimesFM、亚马逊的Chronos-2、Datadog的Toto等业界主流模型。

MASE(平均绝对比例误差)、CRPS(连续排序概率得分):两种衡量预测准确度的核心指标,数值越低说明预测越准。Skill Score(技能得分):FEV-bench采用的相对评分方式,以"季节性朴素预测"为基准,数值越高说明相对基准的提升幅度越大。

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TimesFM 3.0做裸推理,TIMERSI把MASE误差降低了1.52%,CRPS误差降低了1.61%。在FEV-bench上,MASE的技能得分从37.8分提升到40.6分,SQL技能得分从49.0分提升到51.2分,涨了2点多个百分点。

这个提升幅度听起来不算爆炸性,但要知道,参与对比的是TimesFM 3.0这样经过海量数据训练、本身已经很强的模型。在这个基础上,仅仅靠外围的部署流程优化,不动模型一个参数,就能再往上挤出一两个百分点的提升,这说明基础模型的能力和实际可用的预测准确度之间,确实存在一道靠部署工程能够填补的缺口。

更值得关注的是一个对照实验。研究者设计了一个"非迭代搜索"的对比版本:同样让agent生成同等数量的候选方案,但取消了"根据历史误差反馈修正"这个环节,agent一次性生成几个方案,直接挑最好的那个用。

结果这个"非迭代"版本的表现,比什么都不改、直接用基础模型推理还要差。在TIME上MASE从0.640恶化到0.650,在FEV-bench上MASE技能得分从37.8分直接掉到30.5分。

这个结果其实挺扎实地证明了一件事:让AI agent"猜"出几个方案然后挑一个,和让AI agent"试错迭代"出几个方案再挑一个,完全是两回事。前者很可能南辕北辙,后者才真正有价值。

这就好比让一个从没下过厨的人,凭空想象写出三份菜谱,和让他先炒三次菜、每次尝完味道再改进配方,最后留下最好的那三份。前者很可能做出来的菜根本没法吃,因为缺少真实反馈的校准;后者哪怕过程磕磕绊绊,至少每一步都被现实验证过。

论文还测试了换用不同的编程agent和不同的基础模型是否依然有效。把Claude Code换成另一款编程agent Antigravity(底层用的是Gemini 3.8 Flash),在TimesFM 3.0上依然取得了优于外部对比方法的成绩。把基础模型从TimesFM 3.0换成Chronos-2或者LPTM,TIMERSI同样带来了明显提升,比如LPTM的MASE误差从0.669降到0.641,FEV-bench上的MASE技能得分从30.7分跃升到34.6分。

这说明TIMERSI这套框架不是只能在某一个特定模型组合上才生效的"偏方",而是具备一定的普适性。

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,论文里给出了四个具体场景的案例,很能说明agent到底在干什么。

第一个是海洋洋流预测。agent利用已知的潮汐周期知识,比如半日潮大约12.42小时一个周期、全日潮大约23.93小时一个周期,先把这些规律性的潮汐波动从历史数据里"剥离"出来,让基础模型只需要处理剩下的"杂质信号",预测完之后再把潮汐波动加回去。这个操作让MASE误差下降了4.18%。

第二个是太阳能计数器数据。agent发现这类数据有个特殊的物理规律:读数在一天内持续累积、到了某个点进入平台期,然后第二天归零重新开始。agent没有直接修正模型预测的数值,而是先用历史数据拟合出这种"累积-重置"的标准形状,再用模型预测出的大致水平去校准这个形状,相当于"形状靠经验,幅度靠模型"。这让MASE下降了2.86%。

第三个案例是汽车生产季节性因子预测,提升幅度最为惊人,MASE从0.757直接降到0.234,相对误差降低了69%。这个任务里agent没有简单地在模型基础上打补丁,而是直接基于日历信息和月度趋势,训练了一个专门的预测器来生成点预测,再借用基础模型给出的分位数信息来构建不确定性区间。这说明在某些高度结构化、规律性极强的任务上,agent甚至可以绕开基础模型主导预测,转而让基础模型打辅助。

这四个案例放在一起看,你会发现agent做的事情其实千差万别:有的是加特征,有的是拆信号,有的是修形状,有的干脆自己另起炉灶训练小模型。这恰恰说明没有一种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同,需要的适配手段也完全不同,而这正是过去需要大量人力一个个去摸索的部分。

写在后面

读完这篇论文,有一个细节让我反复琢磨:研究者没有选择去微调基础模型本身,而是把全部"智力"都投入到了模型外围的部署代码上。

这其实反映了一种务实的工程哲学。基础模型的训练成本是以百万美元计的,谁也没法为每一个具体业务场景重新训练一遍。但部署流程的调试成本相对低得多,一个AI agent可以在几十分钟内跑完几轮迭代。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。

另外论文里坦诚提到了一个局限,历史窗口上表现好,不代表未来一定也表现好。这其实是所有基于历史数据做决策的系统都绕不开的老问题,时间序列预测领域管这个叫"分布漂移",说白了就是世界在变,过去的规律不一定永远适用。论文没有假装解决了这个问题,只是老老实实承认它依然存在。这种不夸大自己成果边界的态度,在这个经常把"突破性"挂在嘴边的领域里,反倒显得挺珍贵。

还有一个有意思的地方是supply chain那个案例里,agent一开始的判断是错的,它曾想把"节假日后一天打折扣"这个规则套用到感恩节后的购物季,结果历史数据告诉它这么做反而更差。这个细节挺真实的,它说明就算是AI在写代码优化自己,也一样会犯直觉性的错误,也需要靠真实反馈才能纠偏。这和人类专家调模型的过程,其实没有本质区别,只是换了个更快的执行者而已。

那么下一个问题或许是:如果agent自己能摸索出部署方案,那未来数据科学家的角色会不会从"写代码调参数"变成"写清楚任务描述、审核agent的改动逻辑"?这篇论文给出的方向,似乎正指向这样一种可能性。

Q&A

Q1:TIMERSI是什么?

A:TIMERSI是一套围绕冻结的时序基础模型运行的自我改进部署系统,由一个会写代码的AI agent根据历史预测误差反复修改部署流程,再通过自适应选择机制为每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。TIMERSI全程保持基础模型权重冻结,只在模型外围修改数据预处理、特征构造、上下文选择和后处理这四个环节,模型内部结构和参数完全不动。

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。

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。