Le filThèmes : RechercheÉvaluations
SEER propose un cadre qui optimise en boucle fermée l’usage d’événements pour prévoir des séries temporelles
1 sourcemis à jour il y a 1 jpertinence 3,0 sur5
L’essentiel
SEER transforme les erreurs de prédiction en une mémoire de recherche réflexive et une base de connaissances causales. Il surpasse systématiquement les modèles de fondation de référence sur six benchmarks volatils.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMingtian Tan, Palash Goyal, Mihir Parmar et al.huggingface.co
SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting (site externe)
Real-world time series are frequently driven by exogenous events and structural shifts, rendering conventional forecasting based solely on historical numerical observations insufficient.
Sur les mêmes thèmes
Recherche
NVIDIA affine Nemotron 3 et atteint le niveau or à l’IOI 2026 et à l’IMO 2026
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5