精选理由
做时间序列预测的团队终于有了新思路——不再死磕历史曲线，而是用多agent理解政策、突发事件等因果因素，效果直接降维打击。搞量化、供应链或金融预测的开发者建议点开，看看怎么把文本推理融入预测流程。
Google最新论文Nexus颠覆了传统时间序列预测方法，不再仅依赖历史数据，而是引入“事件上下文”进行因果推理。论文提出多agent框架：一个agent从文本提取事件时间线，一个分析宏观趋势，一个监控局部冲击，最后由合成器校准历史误差并给出预测。在Zillow数据集上，Claude驱动的Nexus版本将平均MAPE降低了86.6%。这标志着预测从“模式识别”转向“因果理解”，是方法论上的重大突破。
AI 翻译 · 中文
Google最新论文Nexus颠覆了传统时间序列预测方法，不再仅依赖历史数据，而是引入“事件上下文”进行因果推理。论文提出多agent框架：一个agent从文本提取事件时间线，一个分析宏观趋势，一个监控局部冲击，最后由合成器校准历史误差并给出预测。在Zillow数据集上，Claude驱动的Nexus版本将平均MAPE降低了86.6%。这标志着预测从“模式识别”转向“因果理解”，是方法论上的重大突破。
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…