论文页面 - Timestral

来源：https://huggingface.co/papers/2610.37585 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Timestral 是一个时间序列基础模型系列，通过解耦预测范围、原生支持未来协变量，以及先进行合成数据预训练再进行混合数据后训练，实现了最先进的概率预测性能。

我们推出 Timestral，这是一个包含四个时间序列基础模型 (https://huggingface.co/papers?q=time%20series%20foundation%20models)的系列，用于概率预测 (https://huggingface.co/papers?q=probabilistic%20forecasting)，参数量分别为 5M、28M、123M 和 209M。Timestral 在 GIFT-Eval、TIME 和 fev-bench 上树立了新的最佳水平，其中 Timestral-209M 和 Timestral-123M 在每项指标上均包揽前两名。我们通过三个要素实现了这一点：解耦预测范围 (https://huggingface.co/papers?q=Decoupled%20Horizon%20Forecasting)(DHF)，将预测词元与经过因果编码的上下文分离，从而在不遮蔽上下文的情况下训练更长的预测范围，并使每个观测值既作为预测目标，又作为后续预测的上下文；一个在因果架构中原生支持已知未来协变量 (https://huggingface.co/papers?q=known-future%20covariates)的协变量框架；以及一个两阶段流程，先仅使用多样化的大规模合成语料进行预训练，再使用真实数据与合成数据的混合数据进行后训练 (https://huggingface.co/papers?q=post-training)，并扩展上下文长度。本报告介绍了模型设计及其基准测试结果。所有四个模型的权重均已在 Hugging Face 上提供，推理代码已在 GitHub 上提供。

查看 arXiv 页面 (https://arxiv.org/abs/2610.37585)查看 PDF (https://arxiv.org/pdf/2610.37585)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2610.37585)

在你的智能体中获取这篇论文：

hf papers read 2610\.37585

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

暂无链接到这篇论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.37585，即可从此页面链接到该模型。

引用这篇论文的数据集0

暂无链接到这篇论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.37585，即可从此页面链接到该数据集。

引用这篇论文的 Space0

暂无链接到这篇论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.37585，即可从此页面链接到该 Space。

包含这篇论文的收藏集0

暂无包含这篇论文的收藏集

将这篇论文添加到收藏集 (https://huggingface.co/new-collection)，即可从此页面链接到该收藏集。