SEER：通过事件记忆与因果知识改进预测¶

历史高优先补漏资料；成本过高，不复现（审查 DONE）。没有本地能力结果或可执行 Evolve 算子。

论文信息¶

字段	内容
论文链接	arXiv 2610.04109v1；固定正文
公司 / 机构	一作 Mingtian Tan 同时署名 Google Cloud AI Research 与 University of Virginia；第一署名单位 Google Cloud AI Research
首次公开日期	2026-10-02 22:30:10 UTC（arXiv v1，不用机构目录日期覆盖）
原作者代码	BennyTMT/SEER；作者仓库存在，所读根目录仅 README、assets、paper 和 citation，未确认可执行核心代码
本地 adapter / 稳定键	`seer-forecasting`（仅资料键）；`adapter: null`
本地复现代码	无；仅本文及 `src/auto_research/paper_specs/catalog/agent-research/seer-forecasting.json`

原始论文总结¶

背景与主要改动¶

数值历史可能缺少外部事件信息，普通 RAG 又不会从预测错误中修订检索方法。SEER 保持预测模型权重不变，把上下文拆成检索记忆、筛选记忆和因果知识。只有过去结果真正可见后，才从预测轨迹中分别更新两类记忆与知识；容量不足时压缩，而不是无限追加。

flowchart LR
  T[历史序列与预测截止时间] --> S[截止时间前事件搜索]
  M[检索与筛选记忆] --> S
  S --> F[冻结模型预测]
  K[因果知识] --> F
  F --> O[训练期等待结果成熟]
  O --> R[分离反思与压缩]
  R --> M
  R --> K

图按原文 Figure 2 与 §3 重绘。原图及方法。

原论文关键图¶

原论文 Figure 2：预测器、检索/筛选记忆和因果知识之间的学习闭环；训练期反馈与冻结测试期的边界见正文说明。图片来自原论文，版权归原作者所有；此处将作者SVG渲染为PNG展示，不是上方Mermaid重绘。点击图片查看原始图源。

核心公式¶

原文 §3.2–3.3 将事件扩展与过滤分开：

\[ \hat y_t=f(x_t,R(\mathcal E_t,\mathcal K_t,\mathcal M_t)),\quad R=(\rho_{\mathcal M^{sel}}\circ\sigma_{\mathcal M^{ret}}(\mathcal E_t),\mathcal K_t). \]

结果成熟后，在学习窗口执行 \(\mathcal M_{t+1}=\mathcal C\circ\Phi_{\rm mem}(\xi_t,\mathcal M_t)\)、 \(\mathcal K_{t+1}=\mathcal C\circ\Phi_{\rm know}(\xi_t,\mathcal K_t)\)。测试窗口冻结 \(\mathcal M,\mathcal K\)，不得用测试结果继续反思。事件发生与可获得时间也须符合预测截止约束，模型声称“新闻时间正确”不等于独立核验通过。

论文离线与线上效果¶

六类领域覆盖天气、电力、股票、存储器价格和事件预测，并比较四种 LLM、纯数值模型、无事件与普通事件 RAG。原文 §4 保留不同任务和骨干差异，不能把部分平均收益说成所有任务都改善。未报告生产 A/B，预测基准不是证券投资建议或线上部署证明。

本地复现与成本判断¶

完整协议涉及 Gemini 3.1 Pro/Flash、Claude 4.6 Sonnet/4.8 Opus，多轮搜索、LEAF 事实核验与顺序回测（§4.1）。闭源调用与六领域完整成本无法用廉价只读检查可靠固定；成本过高，不复现（审查 DONE）。

作者仓库当前可核到论文、图和案例，不能据此声称核心可执行实现已开源。本轮无本地代码、指标或 GPU 实跑，未接入 Evolve。时间过滤、反馈成熟与测试冻结可作为后续接口议题，但尚未实现，也不能用手写因果规则冒充 LLM 反思。