伦敦初创 Continuous Intelligence 开源时序预测模型 ci-proto：1.67 亿参数、可读 200 万步以上历史，fev-bench 成绩已并入官方仓库，SQL 技能分 51.5

核心背景与行业痛点

电网负荷、零售销量、设备传感器都是时间序列。过去要为每条序列单独调统计模型；近两年谷歌 TimesFM、亚马逊 Chronos、Mistral Timestral 等「时序基础模型」改成零样本直接预测，但能看的历史通常只有几千到几万个点，年度季节性、罕见峰值容易被截掉。今年 7 月成立的伦敦实验室 Continuous Intelligence 用首个模型 ci-proto 主打「更长记忆」。

架构亮点与底层机制

官方公开的 ci-proto 约 1.67 亿参数，附标准和长历史两个检查点：历史不超过 16,384 步用标准版，更长自动换长版。官方称可读 200 万步以上历史，约为同类 64 倍。输入是「变量 × 时间」张量，默认多变量联合预测，支持过去/未来协变量、类别变量和缺失值，输出 0.1–0.9 共 9 个分位数。README 说明在 Linux x86-64 上会装 Mamba-3 融合 CUDA 后端，没有 GPU 时回退 CPU。

权威 Benchmark 与实测跑分对比

fev-bench 是 AutoGluon 团队维护的 100 任务时序评测。ci-proto 由厂商提交结果，11 月 11 日被维护者合并进 fev 仓库：零样本 SQL 技能分 51.51、MASE 技能分 40.80，训练数据未包含 fev-bench 数据集。官方图表中 ci-proto 平均 SQL 约 1.16，低于 Timestral-209M、t0-gamma 和 TimesFM-3.0（越低越好），并画了 XS 到 XL 五个尺寸，但目前公开的只有 167M 这一版。「第一」为厂商口径，以 fev-bench 排行榜为准。

开发者实战落地与开箱指南

pip install continuousintelligence 后，ci.load_model("ContinuousIntelligence/ci-proto") 加载，model.forecast(history, horizon=24) 即可出带分位数的预测，仓库附单车租赁示例和 notebook。生产环境建议用 commit SHA 固定版本。注意许可第 10 条：对外提供产品或再分发须公开署名并通知厂商一次。热度方面，创始人 Ben Walker 发布帖写稿时约 27 万浏览，但 GitHub 仅约 40 星、Hugging Face 下载 300 余次，仍是早期项目。