Google Nexus论文：时间序列预测从统计外推转向多agent因果推理
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。
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”。
This report is categorized under AITOP's "Papers" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Key entities and technical topics under continuous tracking include 时间序列预测, 多agent框架, 因果推理, Google.
Source attribution: curated from berryxia (@berryxia).
