@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 2026/05/18 00:01 论文

time-series-forecasting google nexus multi-agent causal-reasoning event-context claude

摘要

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%。

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、局部冲击——必须和数字互相解释。他们用多agent框架把这件事拆得清清楚楚：一个agent从海量文本里提炼事件时间线，一个读宏观政权，一个盯局部冲击，最后一个合成器把所有信息和历史误差校准后给出最终预测。真实测试里，用Claude驱动的Nexus版本，在Zillow数据集上把平均MAPE直接砍了86.6%。不是小幅提升，是降维打击。以前模型只会“看懂模式”，现在它开始“理解因果”。这篇论文真正厉害的地方不是某个数字，而是把预测从“统计外推”彻底变成了“多agent推理”。

查看原文

查看缓存全文

缓存时间: 2026/05/18 14:32

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、局部冲击——必须和数字互相解释。

他们用多agent框架把这件事拆得清清楚楚：

一个agent从海量文本里提炼事件时间线，
一个读宏观政权，
一个盯局部冲击，

最后一个合成器把所有信息和历史误差校准后给出最终预测。

真实测试里，用Claude驱动的Nexus版本，在Zillow数据集上把平均MAPE直接砍了86.6%。

不是小幅提升，是降维打击。

以前模型只会“看懂模式”，现在它开始“理解因果”。

这篇论文真正厉害的地方不是某个数字，而是把预测从“统计外推”彻底变成了“多agent推理”。

Rohan Paul (@rohanpaul_ai): New Google paper: A forecast needs context, not just history.

Some patterns are caused by events, not time. Nexus reframes forecasting as a reasoning problem, where events and numbers have to explain each other.

Nexus argues that forecasting improves when models read the world