Kairos-23M震撼发布2300万参数如何实现跨域零样本时间序列预测【免费下载链接】Kairos_23m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_23mKairos-23M是一款拥有2300万参数的时间序列基础模型专为跨域零样本预测设计。它通过创新的动态补丁分词器、混合大小编码和动态旋转位置嵌入DRoPE技术轻松应对不同信息密度的异构时间序列数据为用户带来高效精准的预测体验。 核心优势小参数实现大突破 动态旋转位置嵌入DRoPE让模型更懂时间DRoPE技术能够根据实例级频谱特征和动态补丁分词量身定制位置编码。这一特性使Kairos-23M在处理时间序列数据时能更精准地捕捉时间顺序和依赖关系大大提升了预测的准确性。 混合大小编码器智能适配数据密度Kairos-23M的混合大小编码器可根据局部信息密度自适应选择分词粒度。面对信息密度不同的时间序列数据它能智能调整确保在保留关键信息的同时提高处理效率实现了性能与效率的完美平衡。 零样本预测跨域应用无需微调Kairos-23M最大的亮点在于其强大的零样本预测能力。它在训练过程中使用了包含3000多亿时间点的PreSTS语料库基于Transformer架构构建了自适应组件。这使得模型在不同领域都能展现出卓越的泛化能力无需进行繁琐的微调就能直接应用于各种时间序列预测任务。 模型规格速览参数规模约2300万训练数据PreSTS语料库300 billion time points架构基础Transformer-based with adaptive components 快速上手简单几步实现预测使用Kairos-23M进行时间序列预测非常简单只需以下几个步骤首先克隆仓库git clone https://gitcode.com/hf_mirrors/mldi-lab/Kairos_23m然后通过Python代码加载模型并进行预测import torch from tsfm.model.kairos import AutoModel # 加载模型 model AutoModel.from_pretrained( mldi-lab/Kairos_23m, trust_remote_codeTrue ) # 预测配置 batch_size, context_length, prediction_length 1, 2048, 96 seqs torch.randn(batch_size, context_length) prediction_length 96 forecast model( past_targetseqs.clone().detach().float(), prediction_lengthprediction_length, generationTrue, preserve_positivityTrue, average_with_flipped_inputTrue ) # 提取预测结果 forecast forecast[prediction_outputs] print(forecast.shape)如需详细的使用示例请参考模型的官方文档。 引用与致谢如果您在研究或项目中使用了Kairos-23M模型请引用以下论文article{feng2025kairos, title{Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models}, author{Feng, Kun and Lan, Shaocheng and Fang, Yuchen and He, Wenchao and Ma, Lintao and Lu, Xingyu and Ren, Kan}, journal{arXiv preprint arXiv:2509.25826v2}, year{2025} }Kairos-23M采用Apache License 2.0开源协议欢迎广大开发者使用和贡献。【免费下载链接】Kairos_23m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_23m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Kairos-23M震撼发布：2300万参数如何实现跨域零样本时间序列预测？
Kairos-23M震撼发布2300万参数如何实现跨域零样本时间序列预测【免费下载链接】Kairos_23m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_23mKairos-23M是一款拥有2300万参数的时间序列基础模型专为跨域零样本预测设计。它通过创新的动态补丁分词器、混合大小编码和动态旋转位置嵌入DRoPE技术轻松应对不同信息密度的异构时间序列数据为用户带来高效精准的预测体验。 核心优势小参数实现大突破 动态旋转位置嵌入DRoPE让模型更懂时间DRoPE技术能够根据实例级频谱特征和动态补丁分词量身定制位置编码。这一特性使Kairos-23M在处理时间序列数据时能更精准地捕捉时间顺序和依赖关系大大提升了预测的准确性。 混合大小编码器智能适配数据密度Kairos-23M的混合大小编码器可根据局部信息密度自适应选择分词粒度。面对信息密度不同的时间序列数据它能智能调整确保在保留关键信息的同时提高处理效率实现了性能与效率的完美平衡。 零样本预测跨域应用无需微调Kairos-23M最大的亮点在于其强大的零样本预测能力。它在训练过程中使用了包含3000多亿时间点的PreSTS语料库基于Transformer架构构建了自适应组件。这使得模型在不同领域都能展现出卓越的泛化能力无需进行繁琐的微调就能直接应用于各种时间序列预测任务。 模型规格速览参数规模约2300万训练数据PreSTS语料库300 billion time points架构基础Transformer-based with adaptive components 快速上手简单几步实现预测使用Kairos-23M进行时间序列预测非常简单只需以下几个步骤首先克隆仓库git clone https://gitcode.com/hf_mirrors/mldi-lab/Kairos_23m然后通过Python代码加载模型并进行预测import torch from tsfm.model.kairos import AutoModel # 加载模型 model AutoModel.from_pretrained( mldi-lab/Kairos_23m, trust_remote_codeTrue ) # 预测配置 batch_size, context_length, prediction_length 1, 2048, 96 seqs torch.randn(batch_size, context_length) prediction_length 96 forecast model( past_targetseqs.clone().detach().float(), prediction_lengthprediction_length, generationTrue, preserve_positivityTrue, average_with_flipped_inputTrue ) # 提取预测结果 forecast forecast[prediction_outputs] print(forecast.shape)如需详细的使用示例请参考模型的官方文档。 引用与致谢如果您在研究或项目中使用了Kairos-23M模型请引用以下论文article{feng2025kairos, title{Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models}, author{Feng, Kun and Lan, Shaocheng and Fang, Yuchen and He, Wenchao and Ma, Lintao and Lu, Xingyu and Ren, Kan}, journal{arXiv preprint arXiv:2509.25826v2}, year{2025} }Kairos-23M采用Apache License 2.0开源协议欢迎广大开发者使用和贡献。【免费下载链接】Kairos_23m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_23m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考