$t_0$：面向带上下文预测的时间序列基础模型

$t_0$ 是一组开放权重的多变量上下文预测基础模型，首批发布 t0-alpha（102M）与 t0-beta（256M）两个版本。模型以目标历史、过去协变量和已知未来协变量为条件直接输出分位数概率预测，无需任务级重训。在 GIFT-Eval 上 t0-beta 的 CRPS 为 0.4738、MASE 为 0.6865，均列第三，距最佳零样本 TSFM 差 4.0%；在 fev-bench 上得 46.7，落后领先者 2.0 分。

此前零样本时间序列基础模型多依赖目标历史，已知未来协变量常需专门建模或重训。该工作把目标历史、过去协变量与已知未来协变量统一进一个免重训的开放权重模型，并在多个公开基准上接近最优零样本水平，说明协变量条件化可以通用化。

模型在 transformer 层中交替沿时间维度和跨变量维度做注意力，同时捕捉时序依赖与变量间关系；预训练混入人工构造的合成生成器数据，显式包含协变量到目标的依赖，使模型学会利用已知未来协变量；输出采用分位数预测以给出概率分布，并以 rollout 策略处理长时域。

对需求预测、电价预测等场景，可用一个免训练模型直接接入历史数据与已知未来变量（如日历、计划量），降低为每个业务序列单独建模与调参的成本；开放权重便于本地部署与私有数据微调，分位数输出可直接支持库存、调度中的风险决策。

• 在电力、零售等有明确未来协变量的场景中，用 t0 替换逐序列训练的基线模型，先做离线 CRPS/MASE 对比验证收益。
• 基于开放权重做私有化部署，把企业内日历、促销、检修计划等已知未来协变量接入推理流程。
• 用分位数预测替代点预测，为库存与调度系统提供风险区间，并据此调整安全库存策略。
• 针对长时域预测测试其 rollout 策略，确定可稳定使用的预测跨度后再接入生产链路。

• t0-alpha 与 t0-beta 在中文或国内业务数据上的零样本表现如何，证据中未给出。
• 开放权重是否允许商用，以及具体许可条款未在证据中说明。
• 推理成本、显存占用和延迟等部署指标未披露。
• 在缺失数据与长时域下的鲁棒性结论仅针对 t0-alpha，是否适用于 t0-beta 未确认。