电力系统动态仿真有了快速替身：Chronos-2微调后误差低于传统AI模型，推理快563倍
预训练时间序列基础模型Chronos-2被检验能否替代电力系统动态仿真。在IEEE 9节点系统的1800个负荷扰动样本上，检索增强的上下文学习优于随机选取参考样本，微调后的Chronos-2在178个留出样本上误差低于传统时空图神经网络基线，加入功率平衡正则后除电压相角MAE外各项指标进一步改善。其推理耗时35.5毫秒，比ANDES物理仿真的20秒快563倍。
代码智能体学会读提交历史：SWE-Bench Verified 平均解出率从69.2%升到72.9%
代码智能体解决仓库级问题时，通常只看当前源码，历史合并请求里记录的设计决策和兼容约束被丢在一边。Chronos 把每个合并请求蒸馏成结构化经验卡，再用代码、开发者意图和组织三类关系连成带类型的图，检索时从语义入口出发做加权多跳扩展。在 SWE-Bench Verified 上，完整流程让 SWE-Agent 在六个模型骨干上全部提升，平均解出率从69.2%升到72.9%，最强配置达到79.8%。
时间序列基础模型实现湖泊生态系统精准预测
该研究以日本两座生态条件迥异的湖泊（深水分层的琵琶湖与浅水富营养化的霞浦湖）长达30年的月度水质监测记录为数据基础，将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型，同15个统计（AR、ARIMA、SARIMA、Prophet）、机器学习（随机森林、XGBoost、KNN、SVR）与深度学习（LSTM、CNN、TCN及SSA混合）模型进行基准比较，发现微调后的Chronos-T5在全部六个监测站点均排名第一，对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度，而叶绿素a在所有模型中R²均低于0.30，并识别出约14年的最
已读完全部报道