Moirai 2.0：当少即是多的时间序列预测
机器学习
2026-02-04 v3
摘要
我们介绍 Moirai 2.0，一个在新构建的 3600 万序列语料库上训练的解码器专用时间序列基础模型。该模型采用分位数预测和多 token 预测，提高了概率准确性和推理效率。在 Gift-Eval 基准上，它在顶级预训练模型中名列前茅，同时在准确性、速度和模型大小之间实现了强劲的权衡。与 Moirai 1.0 相比，Moirai 2.0 替换了掩码编码器训练、多 patch 输入和混合分布输出，采用更简洁的解码器专用架构、单 patch 和分位数损失。消融研究隔离了这些变化——表明解码器专用主干结构以及递归多分位数解码对收益贡献最大。额外实验表明，Moirai 2.0 在同一模型家族中超越更大规模的模型，并在域级结果方面表现出鲁棒性。就效率和模型规模而言，Moirai 2.0 比其前一代最佳版本 Moirai 1.0-Large 快一倍、小三十倍，同时也表现更好。模型性能随参数数量增加而平台化，在更长的预测范围内会下降，这激励了未来在数据规模和长期预测建模方面的工作。我们发布代码和评估细节以支持进一步研究。
引用
@article{arxiv.2511.11698,
title = {Moirai 2.0: When Less Is More for Time Series Forecasting},
author = {Chenghao Liu and Taha Aksu and Juncheng Liu and Xu Liu and Hanshu Yan and Quang Pham and Silvio Savarese and Doyen Sahoo and Caiming Xiong and Junnan Li},
journal= {arXiv preprint arXiv:2511.11698},
year = {2026}
}
备注
16 pages, 13 figures, and 1 table