不用大模型也能打榜：TW3Cast 用冻结路由表在 GIFT-Eval 上冲到第三
一个「不含智能体、不含大模型」的第三名
在时间序列预测基准 GIFT-Eval 上，一个名为 TW3Cast 的系统拿到了 130 个条目中的第 3 名（按平均 MASE 排名，统计截至 2026-09-14）。有意思的是，排在它前面的两个条目都属于榜单的「智能体（agentic）」类别——也就是用智能体或语言模型去推理、生成或挑选预测结果的系统。
TW3Cast 反其道而行：它不跑智能体，也不跑语言模型。作者 Nathan Thierry 和 Andre-Louis Rochet 在论文中给出的核心设计，是一张「算一次、然后冻结」的路由表。
路由表：97 种配置，四种模式
GIFT-Eval 包含 97 组「数据集 × 频率 × 预测跨度」配置。对每一组配置，TW3Cast 的路由表会指定以下四种模式之一：
- 专家（specialist）：对 Chronos-2、TiRex 或 Toto 做 LoRA 或全量微调，且训练数据经过显式规则清洗与增强；
- 分位数混合（quantile blend）：混合结果中包含一个专家；
- 基座模型混合：多个基座模型直接融合；
- 选择锦标赛（tournament）：在从训练集切出的回测上跑一轮比拼。
关键在于，表里的每一个决策都是在训练集回测上做出的。一旦某个专家在该回测中击败锦标赛方案，它就会被接纳进路由表——这意味着一个候选方案的成本只有几 MB 存储和几分钟 GPU 时间，而且候选失败不会改变任何已有结果，试错代价极低。
三道「护栏」防止选择偏差
作者显然意识到，在训练集上做选择容易产生乐观偏差，因此设置了三重保护机制：
- 精度与校准双重准则：不只看准确率，也看预测分布的校准程度；
- 非对称边际：对「训练期间见过该序列」的候选方案施加更严格的准入条件；
- 保守的逐窗口门控：以窗口为单位进行把关。
此外，选择规则本身也是在一轮「时间元回测」中确定的，而不是拍脑袋设定。
数字说明了什么
论文给出了几组对比：
- 单个最佳基座模型单独使用：平均 MASE 排名 33.8；
- 所有配置都使用锦标赛方案：38.0；
- 完整路由器：19.4。
从 33.8 到 19.4，提升并非来自更大的模型或更多的算力，而是来自**「为每种场景挑对工具」这件事本身**。这恰好呼应了当下时间序列领域的一个争论：通用大模型是否真能通吃所有预测任务，还是「基座模型 + 场景化路由」才是更务实的路径。
可复现性
作者释放了路由表、专家索引、固定版本的基座模型 revision、提交的分数文件，以及公开榜单分数的带日期快照，并声称论文中每一个榜单数字都可以由一个脚本重新生成。在基准成绩争议不断的当下，这种程度的可复现承诺本身就是一个信号。
需要说明的是，该论文目前为 arXiv 预印本（arXiv:2609.28506），尚未经过同行评审，榜单排名也会随时间变动。