动机

专业时序基础模型（TSFM，如 TimesFM-2.5）善于捕捉数值模式，却无法利用新闻、事件等非结构化上下文，对结构性突变脆弱；而 LLM 虽能理解文本，但在纯数值预测上表现不稳，且缺乏对时间序列内在规律的把握。单纯靠单一模型同时处理数值与文本容易导致认知过载或推理偏差，因此需要一种能分解任务、融合多模态信号的新型预测范式。

方法关键点

• 三阶分解：Nexus 将预测拆分为 Contextualization（历史上下文清洗与结构化）、Dual-Resolution Outlook Generation（宏/微观双分辨率前景生成）、Forecast Synthesis & Calibration（合成与校准）三大阶段。
• 宏微观代理：Macro-Reasoning Agent 从全局趋势推演粗粒度走向；Micro-Reasoning Agent 逐步评估短期催化与波动，二者互补。
• 校准代理：通过历史回测拆分多折，生成通用审查指南，并经验证集过滤，防止过拟合与泄露。
• 零知识泄露设计：选用知识截止2025年1月的 Gemini-3.1-Pro 和 Claude-4.5-Sonnet，在严格后于截止日期的 Zillow 房地产（15城周度库存）与 Stock Market（7只股票周度收盘价）数据集上评估。

关键结果

• 多模态上下文：Nexus 显著优于 Chain-of-Thought 基线。Gemini 上 NEXUS 在 Zillow 数据集平均 MAPE 降低 14.7%，RMSE 降低 15.3%；Claude 上更分别降低 86.6% 与 88.6%。
• 纯数值场景：Nexus 在 Zillow 上 MAPE 降至 0.0378（Gemini），低于 TimesFM-2.5 的 0.0387；在 Stock 上 MAPE 0.1238，优于 CoT 基线 0.1334，与 TSFM 相当。
• 推理质量：交叉评判下，Nexus 在领域相关性、事件合理性、逻辑-数字一致性及分析深度上均大幅领先，总体偏好率达 79.8%～97.1%。

Nexus 证明，通过分解宏微观预测与动态校准，LLM 驱动的多智能体框架不仅能匹配甚至超越专门时序模型，还能提供驱动预测的透明推理链，将实时预测重新定义为一个智能体推理问题。