标签
开源 AI 交易组合：Kronos 作为金融 K 线基座模型负责行情预测，day-trader-skill 作为 Claude 日内交易工具包负责扫盘、新闻监控、仓位风控与下单执行，两者结合形成完整交易流程。
该论文提出了 QUAL，这是一种无需标签的框架，利用模型池作为概率参考，对齐时间序列基础模型的分位数，然后采用 Huber 聚合进行稳健的零样本预测，在 GIFT-Eval 上相较于成员模型的平均表现，将 MASE 降低了 7.4%，CRPS 降低了 9.8%。
论文提出了“投资者的终极考试”（Investor's Last Exam，ILE），这是一个由买方投资者主导的股票研究基准，用于评估人工智能智能体在冻结信息集下的研究质量、预测准确度与模拟投资表现。结果显示，最强模型（GPT-6 Astra、Claude Opus 5.5）的研究能力较强，但预测表现仍显著不足。
一名《Wired》记者部署了一群AI智能体来管理一支梦幻英超联赛球队，结果发现它们的表现仍然不如人类；与此同时，新研究显示GPT-5等前沿模型在真实世界的预测任务中越来越出色，并在Prophet Arena等预测基准测试中表现突出。
Investor's Last Exam (ILE) 是一个由资深买方投资者主导的股票研究基准，使用冻结证据、专家评分标准和金融依赖图评估 AI 智能体的端到端研究能力，结果显示顶尖模型研究能力强但在预测和投资判断上仍然失败。
该论文提出了多变量时间序列超分辨率预测（MTS-SRF）任务及 TimeMagnifier 模型，能够从粗粒度历史数据中预测细粒度未来，在十个数据集上以 12.3% 的平均 MSE 降低击败 15 个基线。
一项预注册的因果审计发现，能够感知协变量的时间序列基础模型（Chronos-2、TiRex-2、TabPFN-TS、TimesFM-2.5）预测的是关联，而非干预效应；研究推导出的混杂差距可通过使用 LoRA 适配器进行简短的干预式后训练，最多缩小 83%。
Timestral 是一个包含四个时间序列基础模型（参数量从 500 万到 2.09 亿）的模型家族，通过解耦预测时域、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后训练，在 GIFT-Eval、TIME 和 fev-bench 上实现了最先进的概率预测性能。
一篇观点文章，认为 AI 并非被过度炒作，过去 18 个月的技术进展实际上被大多数观察者和专家持续低估。
IBM Research 发布 Granite Timeseries Ensemble R1，将四个互补的开源 Granite 时序预测模型组合成一个统一接口，提供概率与分位数预测，无需重训练即可作为默认选择使用。
该论文指出，现有的时间序列分词策略（分块分词和相位分词）会引入频谱泄漏和混叠等频谱失真，并提出了 TimeFT——一种无参数、几乎无失真的基于频率的分词器，可直接替换现有分词器，并提升预测、分类和异常检测任务的性能。
德米斯·哈萨比斯将他对实现通用人工智能（AGI）的时间预估从此前的3至5年缩短至2至3年，表明他对人工智能快速发展的信心日益增强。
本文提出一个可观察证据标准，用于评估工业AI规划系统中新增能力是否真正带来运营价值，并通过Favorita、M5和Walmart数据的回放实验揭示单一指标评估的三大局限。
Meta-iLaD 提出一种通过跨动力学环境元学习实现可识别潜在动力学的新框架，利用少量样本的条件先验快速提取环境变量，并同时对潜在状态、环境变量与动力学函数建立可识别性，从而提升对未见环境的泛化与预测能力。
Cloudflare 宣布预览 Clairic——首款 System One 级抽取模型，托管于 Workers AI，模型标识为 @cf/cloudflare/clairic，并计划开源权重。Clairic 能够从非结构化输入中抽取、计算、估算和预测类型化数值，相比传统 LLM 具有更高准确率、更低延迟和更低成本。
Mistral 发布 Timestral 时间序列基础模型家族，包含 5M 到 209M 参数四个版本，其 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三大基准上均排名第一，支持零样本概率多变量预测且可在 CPU 上推理。
《AI 2027》的共同作者、全球排名第2的AI预测者警告称，如果不放慢AI开发速度，AI接管的概率为三分之二。这一说法加剧了专家对AI进展速度风险的担忧，并呼吁减速发展。
该论文提出CGDT-CESN——一种基于变量相关性引导并进行跨簇权重训练的聚类回声状态网络，用于多变量时间序列预测，在Twitter信息级联与太阳风预测数据集上优于传统ESN。
过去 7 个月里 AI 模型持续解决数学家未能攻克的开放 Erdős 问题，旧金山业界对 AGI 到来时间的预期已缩短至 10 年，整体变化速度远超多数人想象。
Anima Anandkumar 介绍其发表在 PNAS 的最新论文，提出循环神经算子（RNO）用于在气候模拟中提前两年以上预测临界点发生的概率与时间（误差约 11 天），并在机翼气流模拟中验证了其在航空航天设计中的潜力。