为什么时间序列模型越做越大，预测却没好多少？
过去两年涌出了一批时间序列基础模型——Chronos、TimesFM、Moirai，参数量从几千万到几亿。但一个尴尬的现象是：模型变大了，长期预测的准确度并没有跟上。问题出在预测方式本身。
目前有两条路。第一条叫并行预测：模型一口气把未来所有时间步全吐出来。快是快，但每一步的预测互相不知道对方说了什么，越往后越飘。第二条叫自回归滚动：先预测下一步，拿预测结果当输入再预测下下步，像接力。准是准一些，但滚一次就要跑一遍模型，长期预测的计算成本扛不住，误差也在滚动中不断累积。
两条路都卡住了。Timer-S1 的做法是：承认预测天生就是个串行问题——越远的未来需要越多的计算量——然后设计一种架构，让模型在一次前向传播里就完成这种逐步递进的串行推理。
想象你读了一本小说的前十章，要续写后面的内容。
并行预测的做法是：同时写第十一到二十章，每一章独立完成。第十五章不知道第十二章写了什么，很容易前后矛盾。
自回归滚动的做法是：写完第十一章，重读一遍整本书加上第十一章，再写第十二章。精细，但写一章就要重读一次，太慢。
Timer-S1 的做法更像流水线编辑：先让一组编辑读完前十章，形成整体理解。然后第一个编辑写第十一章，把他的理解传给第二个编辑，第二个编辑在此基础上写第十二章，以此类推。每个编辑都能看到原文和前一位的工作成果，但整个流程只走一遍。
Timer-S1 的架构分三层：
关键设计在 TimeSTP 块。每个 TimeSTP 块做两件事：把上一层的输出和最初的输入嵌入拼在一起，过一个 Transformer 层。这样越远的预测经过越多层计算，但始终能回看原始输入，不会在传递中丢失信息。
总参数 83 亿，但因为用了稀疏专家混合（MoE），每个 token 只激活 7.5 亿参数。模型很大，推理成本可控。
训练数据叫 TimeBench，包含一万亿个时间点，来源覆盖金融、物联网、气象、医疗，还有合成信号。数据经过严格筛选：用 ADF 检验判断平稳性，用频谱熵评估可预测性。
训练分三阶段：
两个数据增强技巧值得注意。重采样：对原始序列做不同频率的降采样和插值，让模型见过各种时间分辨率。值翻转：把整条序列乘以 −1，打破模型总是预测"往上走"的偏见。
在 GIFT-Eval 排行榜上（24 个数据集，14.4 万条时间序列），Timer-S1 拿到最好的 MASE（0.693）和 CRPS（0.485）。
分时间跨度看，短期预测 Timer-S1 和其他模型差距不大，但中长期预测拉开了明显差距。这正好印证了串行预测的价值——越远的预测，额外的串行计算带来的收益越大。
和同等计算预算的对比：24 层 TimeMoE + 16 层 TimeSTP 的组合，比 40 层纯 TimeMoE 加 next-token 预测或 multi-token 预测都要好。TimeSTP 不是锦上添花，是实打实的架构改进。
在一次前向传播里，让越远的预测经过越多层 Transformer 计算。
考试答题。简单题（近期预测）过一遍脑子就行，难题（远期预测）要反复验算。Timer-S1 的做法就是给难题自动分配更多"验算层"——第 1 步未来经过 1 层 TimeSTP，第 16 步未来经过 16 层 TimeSTP。
这是论文能 scale up 的根本原因。以前的并行预测给所有时间步一样多的计算，等于让简单题和难题用同样的时间。STP 让计算量和预测难度对齐了。
每层放 32 个小型前馈网络（专家），每个 token 只挑 2 个用。
一家医院有 32 个科室，每个病人只挂两个号。模型总参数很大（覆盖面广），但每次推理的计算量很小（只用对口的专家）。
没有 MoE，83 亿参数的模型推理成本不可接受。MoE 让模型在参数量和推理速度之间找到了平衡点，实际激活量只有 7.5 亿。
这个想法比论文本身更大。它说的是：如果一个任务的难度沿着某个维度递增（比如预测越远越难），那么合理的架构应该让计算量沿着同一个维度递增。不是给所有子任务一样的算力，也不是用滚动来逐个解决，而是在一次计算中通过深度来分配难度。
这和大语言模型里"思考时间越长回答越好"的直觉是一回事，但 Timer-S1 把它硬编码进了架构里，而不是靠提示或采样策略。
选题没问题。时间序列基础模型的 scaling 确实是个真缺口，之前几个大模型参数量上去了效果没跟上，大家都看到了。这帮人从 Timer 到 Timer-XL 到 Sundial 一路做过来，对这个问题的理解是真实的，不是硬造需求。
方法有巧劲。STP 的设计思路清晰——承认串行性、用深度模拟串行、保留初始输入的跳接。比起简单堆 multi-token prediction 头，这个设计更尊重时间序列的特性。TimeSTP 和 LLM 里的 multi-token prediction 的两个区别（不用未来信息做训练、推理时保留 STP 块）也说得明白。
实验有几个让人放心的点：和同等计算预算的 NTP、MTP 做了对比，不是拿大模型欺负小模型。消融做了 TimeSTP 的移除实验和 shift-token 变体，证明了设计选择有道理。scaling 曲线也画了，TimeMoE 和 TimeSTP 块数的影响都探索过。
但有几个地方让我皱眉。第一，只在 GIFT-Eval 一个排行榜上评测。这个 benchmark 虽然大（24 个数据集），但所有结果都集中在一个评估协议上，换个评估方式未必还是第一。第二，模型只做单变量预测，多变量靠后续微调解决。这在实际应用中是个硬限制——真实世界的时间序列很少只有一个变量。第三，值翻转这个数据增强的解释有点草率，说"打破方向性偏见"，但没有深入分析为什么模型会有这个偏见、翻转是不是最好的解法。
写作中规中矩。架构部分图文配合清楚，训练部分条理分明。但 Background 那一节有点长，花了不少篇幅回顾自家的工作线（Timer → Timer-XL → Sundial），读起来像在做广告。
迁移：STP 的思路——"越难的子任务分配越多计算"——不局限于时间序列。任何输出序列中难度不均匀的任务，都可以考虑类似的架构设计。比如代码生成中，函数签名容易预测，函数体难预测，是否可以用类似的分层深度策略？
反转：主流做法是把 LLM 的技术（multi-token prediction、KV-Cache）直接搬到时间序列上。Timer-S1 反过来说：时间序列和语言不一样，滚动推理的误差累积在时间序列里更严重，所以不能照搬。这提醒我们，跨领域迁移技术时，要先问"目标领域的独特约束是什么"，而不是默认源领域的方案是最优的。