说到「AI 预测未来」，很多人想到的是聊天机器人。但 AI 还有另一类重要用途：预测一串按时间排列的数字接下来怎么走——明天的汇率、下个月的现金流、未来几周的库存需求。这类任务叫时间序列预测（时间序列 = 按时间先后记录的一串数据，比如每天的外汇牌价）。

蚂蚁集团旗下的国际业务公司蚂蚁国际，2026 年 8 月 26 日发布了自研时序预测大模型「鹰序 TST」（Falcon TST，英语全称 Time-Series Transformer）2.0 版。它在全球权威基准测试中取得当前最优成绩（SOTA，state of the art），衡量误差的 MASE 指标（平均绝对比例误差，数值越小越准）降到 0.666，官方称预测准确率稳定超过 93%。更值得关注的是，巴克莱、花旗、德意志、渣打四家国际银行已把它用在真实的现金流预测与外汇管理中。

鹰序 TST 是什么：读历史数据，预测未来

时间序列数据无处不在：汇率、股价、销售量、航班客流。「鹰序 TST」做的就是读取一段历史数据，预测接下来一段时间的走势。它属于「时间序列基础模型」——用海量跨行业数据预训练出来的通用预测底座，类似 ChatGPT 之于文字，它之于数字序列。

银行和跨境支付公司最关心两类预测：现金流（钱什么时候进、什么时候出）和外汇敞口（持有的外币资产因汇率波动面临的风险）。预测不准，企业只能多花钱对冲（用金融工具锁住汇率，防止波动带来损失），或者多留资金垫底。预测越准，这笔「保险钱」花得越少。

成绩单：全球基准第一，四家银行实战验证

GIFT-Eval 是行业常用的时间序列模型评测基准，覆盖 28 个数据集、超过 14.4 万条时间序列和 1.77 亿个测试数据点。鹰序 TST 2.0 在其中拿下当前最优成绩，MASE 降至 0.666，超过多家全球头部科技公司的同类模型。

比榜单更重要的是真实业务验证：

  • 巴克莱银行：2025 年 5 月起把模型接入其外汇对冲平台 BARX NetFX，按小时、日、周预测现金流与外汇敞口；
  • 花旗银行：2025 年 7 月合作试点，面向跨币种线上售票的航空公司客户，试点客户对冲成本节省约 30%；
  • 渣打银行：2025 年 8 月把模型接入其 24 小时流动性引擎 SCALE，当时已覆盖蚂蚁国际超过 60% 涉及外汇转换的交易，外汇相关成本最高下降 60%、流动性管理成本最高下降 50%（合作双方披露口径）；
  • Capital A 旗下 AirAsia：2025 年 10 月披露为首个商业部署，多币种现金流与外汇敞口预测准确率 90%，外汇对冲成本最高下降 40%。

模型家族：单变量效率与多变量关系两条路线

鹰序 TST 不是单个模型，而是一个家族，两个新成员各有分工：

  • Falcon-2.0（2026 年 7 月开放 API）：主打单变量预测效率，一次前向计算直接出结果，延迟更低；可输出 21 个分位点（预测区间，用于构造乐观、中性、悲观情景），最大实验版本 585M 参数（M 即百万，585M 为 5.85 亿参数）；
  • Falcon-X（2026 年 5 月公开论文）：主打多变量关系建模，把汇率、利率、波动率等不同变量放进统一空间，识别它们之间的联动，最大实验版本 591M 参数，在 GIFT-Eval 上报出 MASE 0.687。

与主流模型对比：各有侧重，没有通吃

时间序列基础模型赛道今年竞争激烈：Amazon 的 Chronos-2、Google 的 TimesFM 2.5、Salesforce 的 Moirai 2.0、IBM 的 FlowState 相继升级，路线各不相同——有的拼多变量，有的拼长上下文，有的用极小参数量换效率。鹰序 TST 的差异化在于先有金融业务验证，再逐步公开模型：2025 年先与多家银行跑通真实场景，2025 年 10 月才把 Falcon-1.0 在 Hugging Face（全球最大的 AI 模型开放社区）开源。

结论：基准第一不等于业务第一

通用基准拿第一，只证明模型「会预测」；能不能进银行风控，还要看它在真实数据上的稳定性、极端行情的表现、分位数校准（预测区间与实际情况是否吻合）和系统接入能力。对金融机构来说，最终购买的是一套能被验证、被校准、被治理的预测能力，模型规模只是其中一项技术参数。鹰序 TST 2.0 的意义，是把时间序列模型的竞争焦点从「谁在公开榜单上更高」，推向「谁能在真实资金管理流程中稳定好用」——这将是整个行业下一阶段的竞争主线。