Robotics sensor logs, zelfrijdende auto telemetrie, ziekenhuis vitale functies - allemaal tijdreeksen, allemaal veel groter dan de tekst- en videogegevens waar de AI-industrie jaren aan heeft geoptimaliseerd. En de reden waarom transformer modellen (Claude, ChatGPT enz.) dit niet goed kunnen voorspellen: ze zetten continue getallen om in discrete tokens, en die tokenisatie vernietigt waarschijnlijk de precisie die het probleem nodig heeft. Google, Amazon, Datadog hebben allemaal eigen modellen gebouwd om dit te compenseren, maar die modellen zagen alleen historische cijfers, nooit het winstrapport of de beleidswijziging die ze veroorzaakte. @synthefyinc's Migas 1.5 is het eerste open-gewichten fundamentmodel dat tekst en tijdreeksen combineert om dergelijke exogene informatie op een native manier in tijdreeksvoorspelling te induceren. Vroege cijfers: 75%+ winpercentage over 86 datasets uit de echte wereld. 14,2% lagere MAE. Gewichten op @huggingface. Of download en gebruik hun nieuwe vaardigheid direct in Claude.