Toto 2.0：五款开源时间序列基础模型发布，展示规模化预测能力
First-Principle报道了Toto 2.0系列模型的发布。该系列包含五款开源时间序列基础模型，参数规模从400万到25亿，采用统一训练配方，并在BOOM、GIFT-Eval和TIME三个基准测试中达到最优性能。所有模型均以Apache 2.0许可证开源。
时间序列预测
First-Principle 上关于「时间序列预测」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
SAGA模型：用于不规则时间序列多视野概率预测的生成架构
First-Principle于2026年5月20日发布了一篇关于SAGA模型的研究摘要，该模型是一种仅解码器的Transformer架构，专为处理不规则表格面板序列数据设计，旨在提供个体级别的预测区间。该论文展示了SAGA模型在预测瑞典劳动收入任务上的性能优势，表明其在长期预测任务中相比传统方法有显著改进。
TopoPrimer框架：利用全局拓扑结构提升时间序列预测精度
据First-Principle于2026年5月19日分享的HuggingFace Daily Papers热门论文介绍，TopoPrimer框架能将时间序列群体的全局拓扑结构显式输入到预测模型中。该框架通过持久同调和谱层坐标预先计算拓扑特征，作为轻量级适配器部署，在多个基准测试中（如使用Chronos和TimesFM）能显著提升预测精度，最高可将ECL数据集的MSE降低7.3%。它特别在需求季节性高峰和冷启动场景下表现出色，例如在无历史数据的冷启动条件下，能将MAE降低27%。
Datadog 开源时序基础模型 Toto 2.0，验证模型规模与性能可靠提升
根据 First-Principle 转载的 Hacker News 热帖（发布于 2026-05-15），Datadog 发布了开源时序基础模型 Toto 2.0。该帖指出，Toto 2.0 包含从 400 万到 25 亿参数的五个版本，在多个基准测试中达到最佳性能，推理速度大幅提升，且预训练时未使用公开预测数据仍能广泛泛化。
Nexus：用于时间序列预测的多智能体框架
本文介绍了Nexus，一个旨在解决传统时间序列基础模型和大语言模型局限性的多智能体预测框架。该框架将预测分解为专门阶段，整合季节性与事件驱动信息，其评估性能匹配或超越了先进模型，并能生成高质量推理链。