重新审视时间序列预测中的智能体模型编排

AMO 的增益受候选 TSFM 限制，最佳编排器 MASE 降幅不足 6%。

资讯摘要

论文提出 FairAMO 受控评估协议，用冻结的候选预测结果分离智能体模型编排（AMO）本身与候选 TSFM 的贡献。在 GIFT-Eval 上，AMO 能提升精度，但增益受候选模型限制：最佳编排器相对最佳单一 TSFM 的 MASE 降幅不足 6%，增益取决于候选互补性而非数量，增加成员收益递减，冗余成员会抵消增益，历史证据价值也很快饱和。

要点速读

1. 论文提出 FairAMO 协议，以冻结候选预测的方式控制变量，评估 AMO 的真实贡献。
2. GIFT-Eval 实验显示，最佳编排器相对最佳单一 TSFM 的 MASE 降幅不足 6%。
3. 增益来自候选模型在不同任务上的互补性，而非候选数量；冗余成员会抵消增益，历史窗口价值快速饱和。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。