12:39berryxia@berryxia精选Google Research在2024年ICML发布了时间序列基础模型TimesFM,2025年9月推出2.5版本。参数从500M降至200M,上下文从2048扩展到16K,新增30M分位数预测头可输出10%-90%置信区间。该模型在跨领域数据上预训练后,能零样本预测任意新序列。2026年4月增加通过HuggingFace Transformers和PEFT的LoRA微调能力。TimesFM已集成BigQuery ML、Google Sheets和Vertex AI,开源版本可用两行Python代码调用。AI模型TimesFMGoogle Research时间序列预测预训练模型零样本推荐理由:Google搞了个时间序列神器TimesFM,零样本预测,参数200M一张GPU就能跑,还能在Google Sheets里用,pip install两行代码搞定,做预测的别错过。原文
10:46arXiv cs.AI@Qi Chai, Wenhao Shen, Nanjie Yao, Yue Xia, Kaiyong Zhao, Jie Ma, Guosheng Lin, Hao WangEvolveNav 提出了一种自演化框架,用于零样本物体目标导航,无需预先训练。该方法通过构建代理规则记忆,从过往轨迹中提取可操作知识,并采用基于上置信界(UCB)的检索策略平衡语义相关性和历史成功率。还引入了记忆引导的前置反思模块,在行动前预测潜在结果,减少低效探索。实验表明,EvolveNav 在多个基准上超越现有零样本基线,成功率提升 10.1%,同时减少了不必要的步骤。论文EvolveNav零样本物体导航记忆机制具身智能推荐理由:这篇论文搞了个EvolveNav,让机器人自己从失败中学习,零样本导航成功率直接涨了10%,而且没走那么多冤枉路。原文
11:45arXiv cs.AI@Aniq Ahmad, Heather Bedle, Ahmad Mustafa本文提出一个零样本框架,将Segment Anything Model (SAM)用于地震解释,无需微调。框架包括两个组件:1) 根据地质目标对齐地震属性与可视化(如色图);2) 混合提示策略,结合稀疏用户定义点提示与SAM内部特征激活生成的稠密掩码提示。在多个地质目标、数据集和提示配置下评估,发现地质目标感知的属性选择与混合提示可提升边界描绘和分割精度。结果表明,零样本SAM能达到有竞争力的分割性能,减少对标注数据的依赖。论文SAM地震解释零样本提示工程分割推荐理由:这篇论文教你如何在不微调的情况下用SAM做地震图分割,用混合提示和属性选择就能提升效果,挺实用的。原文
10:40arXiv cs.LG@Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati精选光伏电站在投运初期缺乏历史观测数据,导致标准监督预测方法无法直接使用。研究者提出一种零样本流程,利用电站元数据和气象协变量生成合成生产历史,使时间序列基础模型(TSFMs)能够通过推理时条件进行预测。在440个光伏站点、四个数据集和多种气候条件下,五种TSFMs与经典基线对比,协变量感知模型性能提升约1.7-2倍,其中TabPFN-TS在真实反馈策略下误差最低(MAE 0.514),Chronos-2在自预测反馈策略下最鲁棒。合成历史来源对性能影响不大,表明合理的时序上下文比具体生成器更重要。论文时间序列基础模型光伏预测冷启动零样本TabPFN-TS推荐理由:光伏运维团队终于有了冷启动预测的实用方案——无需历史数据即可用基础模型实现高精度预测,做新能源发电预测的开发者可以直接参考TabPFN-TS和Chronos-2的表现。原文
08:47AI Will@FinanceYF5Claude Mythos 尚未正式发布,但已有用户提前体验并分享了惊人效果。该用户仅用零样本(zero-shot)和极低提示词,就生成了4个高质量的 Minecraft 风格城堡场景。他评价这是自2025年10月 Gemini A/B 模型以来见过的最佳输出。这一消息引发社区对 Claude Mythos 图像生成能力的强烈期待。AI产品Claude Mythos图像生成Minecraft零样本AI 创作推荐理由:Mythos 的零样本生成能力让 Minecraft 风格场景的创作门槛大幅降低,做游戏资产或概念设计的创作者值得关注,可以直接期待正式发布后的效果。原文
11:42arXiv cs.LG(学术论文)70°想象语音解码因缺乏高标签对齐的数据而困难。研究者利用聆听语音时更丰富、可靠的MEG记录,提出三阶段解码流水线。首先训练模型将想象MEG映射到聆听MEG,再用聆听数据训练对比词解码器,最后将想象MEG经映射后解码。实验对未见过受试者证明想象单词解码显著高于随机,且性能随训练数据规模提升。该方法无需想象数据训练,为脑机接口提供可扩展的零样本方案。论文脑机接口MEG语音解码零样本推荐理由:该工作展示了利用聆听数据隐式迁移到想象任务的可能性,缓解了想象数据稀缺的问题。可直接推动非侵入式BCI在语言辅助领域的实际应用。原文