一句话定义：时序基础模型（Time-Series Foundation Model）是在海量、跨领域的时间序列数据上预训练出来的通用预测模型——你把一段从没见过的销量、流量或传感器读数丢给它，它不训练、不调参，就能直接给出未来一段时间的预测值。
它和传统预测有什么不同
传统做法是“一个序列，一个模型”。预测某款饮料的销量，通常要先把历史数据拉出来，跑一遍 ARIMA、指数平滑或者 Prophet，调完季节性、节假日参数，再评估。序列一多、更新一频繁，人力就顶不住。
时序基础模型换了个思路：先在成千上万条来自电力、零售、交通、气象、金融的序列上“读”一遍，学到的是时间序列的通用规律——趋势会延续但会衰减、周期会重复但会漂移、异常点往往是孤立的、多条序列之间会共振。到了新场景，模型靠着这套“常识”直接外推。
打个比方：传统模型像给每家门店单独请一位分析师，看完全部本地流水才能开口；时序基础模型像一个读过千万份报表的老销售总监，进店看一眼近几周的曲线，就能说个八九不离十——快，但未必比本地分析师更懂这家店的脾气。
技术上有两条常见路线：一是把数值序列切成小片段（patch），当成“词”喂给 Transformer，做掩码重建或自回归预测；二是把数值转成文本，借大语言模型的推理能力来外推。前者更接近原生数值建模，后者更容易接入节假日、促销等文字信息。
零样本预测到底靠不靠谱
结论是：能当强基线，不能当甩手掌柜。
它擅长的场景很明确——冷启动（新店、新 SKU 没历史数据）、长尾序列（几万条中大多数数据很少）、批量粗筛（先给所有序列一个初值，再挑重点精修）。这些场景下它比“随便拍个均值”强得多，也比逐条调参便宜得多。
但它的短板同样清楚：
| 场景 | 零样本表现 | 原因 |
|---|---|---|
| 规律平稳、周期清晰 | 较好，常接近精调模型 | 通用规律已覆盖 |
| 有促销、政策、突发事件 | 容易失真 | 模型看不到你的本地变量 |
| 频率或量纲少见 | 明显退化 | 与预训练分布不匹配 |
| 需要预测区间和解释 | 需额外校准 | 置信度常偏乐观 |
更实际的风险是“自信地错”：它总会输出一个数字，而传统模型在数据不足时至少会报错或给宽区间。预测错了没人发现，比预测不准更危险。
对从业者的意义
第一，把零样本预测当基线，而不是终点。先跑一版，再和你的业务模型比，赢了说明你的旧模型该换了，输了说明本地信息值钱。第二，能微调就微调，哪怕只用最近几个月的本地数据，收益通常比换更大的预训练模型更明显。第三，把外生变量（价格、天气、活动）单独喂进去，别指望模型自己猜。第四，一定做漂移监控：数据分布变了，预训练学的“常识”可能正在过期。
对普通人来说，它的意义是：以前只有大公司养得起预测团队，现在小商家也能对新品销量、门店客流做个像样的预估。工具变便宜了，但“知道什么时候不该信它”，仍是人的活。具体支持的能力和接口，以各模型的官方页面为准。