I registri dei sensori robotici, la telemetria delle auto a guida autonoma, i parametri vitali degli ospedali - tutte serie temporali, tutte che superano di gran lunga i dati testuali e video su cui l'industria dell'AI ha speso anni a ottimizzare. E il motivo per cui i modelli transformer (Claude, ChatGPT, ecc.) non possono prevedere così bene: trasformano numeri continui in token discreti, e quella tokenizzazione probabilmente distrugge la precisione di cui il problema ha bisogno. Google, Amazon, Datadog hanno tutti costruito modelli proprietari per compensare, ma quei modelli hanno visto solo numeri storici, mai il rapporto sugli utili o il cambiamento di politica che li ha causati. Migas 1.5 di @synthefyinc è il primo modello di fondazione a pesi aperti che combina testo e serie temporali per indurre tali informazioni esogene nella previsione delle serie temporali in modo nativo. Numeri iniziali: tasso di successo superiore al 75% su 86 set di dati del mondo reale. MAE inferiore del 14,2%. Pesi su @huggingface. Oppure scarica e utilizza direttamente la loro nuova abilità in Claude.