Đang tải bảng tin…
Towards Data Science0 Hot0 bình luận17 phút đọc
Time-Series LLMs, Explained with t0-alpha
t0-alpha is a 102M-parameter open-weights probabilistic time-series forecaster from The Forecasting Company, released under Apache-2.0. It uses a decoder-style patch transformer: raw series are split into 32-step patches, embedded, and processed through causal attention layers to emit quantile forecasts rather than a single point estimate. Benchmarked on GIFT-Eval (97 tasks, 55 datasets), t0-alpha achieves CRPS 0.4941 and MASE 0.7240, beating all classical baselines and sitting in a competitive cluster with larger models like Chronos-2 and TimesFM-2.5. The post explains the two types of time-series LLMs, evaluates where t0-alpha excels (broad consistency, high-frequency heterogeneous data) and where it fails (long-horizon multivariate observability data), and discusses open problems including leakage control, calibration, routing/ensembles, stronger classical baselines, and simulator-trained specialist estimators.
Nguồn: https://towardsdatascience.com/time-series-llms-explained-with-t0-alpha. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đề xuất cho bạn
DevBlogs1 Hot5 phútAI
Enabling MLflow OpenAI Autolog on PySpark Workers
Khi phân phối các cuộc gọi LLM trên các worker PySpark bằng mapInPandas, MLflow's openai.autolog() không ghi lại traces do ba vấn đề: worker không kế thừa URI theo dõi và tên experiment từ driver, xuất traces bất đồng bộ gây xung đột thread khi kết thúc process, và không hỗ trợ liên kết trace cha-con. Giải pháp là thiết lập tracking URI, experiment name và tắt MLFLOW_ENABLE_ASYNC_TRACE_LOGGING=false trong hàm worker. Sau khi hoạt động, việc theo dõi từng cuộc gọi phát hiện chi phí ẩn do Spark lazy evaluation thực thi lại nhiều lần các cuộc gọi LLM.
Lập trình viên muốn tối ưu hóa và theo dõi hiệu suất mô hình ML trên Spark với OpenAI, đặc biệt khi sử dụng mapInPandas, nên đọc bài này để khắc phục lỗi trace không hoạt động và khám phá cách khắc phục vấn đề tái thực hiện LLM nhiều lần do tính chất lazy evaluation của Spark.
