@rohanpaul_ai: 谷歌新论文：预测需要上下文，而不仅仅是历史。有些模式是由事件而非时间引起的。Nexus 重新定义……

X AI KOLs Following 论文
time-series-forecasting google agentic-framework context-aware reasoning forecasting

摘要

谷歌的Nexus论文提出了一种智能代理框架，将上下文事件与数值数据结合用于时间序列预测，在Zillow测试中相比直接思维链提示实现了86.6%的平均绝对百分比误差（MAPE）降低。

谷歌新论文：预测需要上下文，而不仅仅是历史。 有些模式是由事件而非时间引起的。Nexus 将预测重新定义为一个推理问题，其中事件和数字需要相互解释。 Nexus 认为，当模型阅读数字周围的整个世界而不仅仅是数字本身时，预测效果会更好。 在 Zillow 测试中，一个基于 Claude 的版本相比直接思维链提示将平均 MAPE 降低了 86.6%。 这很重要，因为大多数时间序列模型擅长模式识别，但对原因却保持沉默。 房屋库存曲线可以反映季节性、抵押贷款压力、人口迁移、裁员和本地供应，而股票价格可能受到收益、监管、炒作和恐惧的影响。 Nexus 将这些任务分离开来，而不是要求一个提示完成所有工作。 一个代理将混乱的历史文本整理成清晰的事件时间线，一个代理读取宏观体制，另一个代理追踪局部冲击，而一个综合代理通过过去误差的校准来协调它们。 有趣的结果不仅仅在于上下文有帮助，还在于结构帮助语言模型利用上下文而不丢失时间序列。 证据仍然有限：Zillow 计数、七只股票、截止日期后的数据以及单次运行评估，因此这不是预测的普遍定律。 但方向是明确的：未来的预测者不仅会外推曲线，还会争论是什么让曲线移动。 ---- 论文链接 – arxiv. org/abs/2605.14389 论文标题："Nexus : 时间序列预测的智能代理框架"
查看原文
查看缓存全文

缓存时间: 2026/05/18 04:26

新谷歌论文：预测需要背景信息，而非仅依赖历史数据。

某些模式由事件引发，而非时间本身。Nexus将预测重新定义为推理问题，其中事件与数字需要相互解释。

Nexus认为，当模型不仅能解读数字本身，还能理解数字背后的世界时，预测效果会得到提升。

在Zillow测试中，基于Claude的一个版本相比直接使用思维链提示，平均绝对百分比误差（MAPE）下降了86.6%。

这一点至关重要，因为大多数时间序列模型虽精通模式识别，却对成因缺乏理解。

一条住房库存曲线可能反映季节性、抵押贷款压力、人口迁移、裁员以及本地供应，而股票价格则可能受到财报、监管、炒作和恐慌的影响。

Nexus将这些任务分离处理，而非要求一个提示完成所有工作。

一个智能体负责将杂乱的历史文本转化为清晰的事件时间线，一个智能体解读宏观环境，另一个追踪局部冲击，再通过合成器结合历史误差校准进行整合。

有趣的结果并非仅仅是背景信息有帮助，而是结构化设计能让语言模型更有效地利用背景信息，同时不丧失时间序列的把握。

目前的证据仍有局限：仅局限于Zillow数据、七只股票、截断后数据以及单次运行评估，因此这并非普适的预测法则。

但方向很明确：未来的预测者不仅会外推曲线，还会探讨曲线为何如此变动。

论文链接 – arxiv.org/abs/2605.14389

论文标题：“Nexus：一种用于时间序列预测的智能体框架”

相似文章

@berryxia: 兄弟们，Google最新论文直接把时间序列预测的底层逻辑翻了个个儿。 过去所有模型都在死磕历史数据：曲线怎么走，就怎么预测。 Nexus却说：预测需要的不只是历史，而是“事件上下文”。 数字背后的真正原因——政策、突发事件、宏观趋势、局部…

X AI KOLs Timeline

Google新论文Nexus提出将时间序列预测从统计外推转化为多agent推理，通过事件上下文提升预测准确性，在Zillow数据集上MAPE降低86.6%。

Nexus：面向时间序列预测的智能体框架

Hugging Face Daily Papers

Nexus 提出了一种多智能体框架，将时间序列预测分解为多个专门阶段，利用大语言模型整合数值模式与上下文信息，在基准测试上取得了最先进的结果。