← Retour au blog
AiEnviron 8 min de lecture

Kronos : 4,1 millions de paramètres sur des chandeliers. La petite taille est l'argument.

Publié le 7 nov. 2026
Kronos : 4,1 millions de paramètres sur des chandeliers. La petite taille est l'argument.

Une semaine où un modèle scientifique de 753 milliards de paramètres et un agent de bureau de 397 milliards de paramètres sont sortis, le dépôt qui grimpe le plus vite dans la catégorie finance du trending GitHub compte 4,1 millions de paramètres.

Kronos, de shiyu-coder, se présente comme le premier modèle de fondation open source pour les chandeliers financiers. Il a été entraîné sur les données de plus de 45 places boursières mondiales, il est sous licence MIT, et il a été accepté à AAAI 2026. Le dépôt a 47 000 étoiles et en a gagné environ 3 000 cette semaine, ce qui est étrange pour un projet dont le dernier commit date d'avril.

Ces étoiles méritent réflexion, parce qu'elles disent quelque chose de ce que les gens attendent vraiment de l'IA en ce moment, et que les sorties de frontière ne fournissent pas.

Ce qu'il fait

La prémisse est qu'un graphique en chandeliers (K-line) est une langue, et que les langues se tokenisent.

Kronos fonctionne en deux étapes. Un tokenizer prend les données continues et multidimensionnelles des chandeliers — ouverture, plus haut, plus bas, clôture, et éventuellement volume et montant — et les quantifie en tokens discrets hiérarchiques. Un Transformer decoder-only est ensuite pré-entraîné de façon autoregressive sur ces tokens, exactement comme un modèle de langue est pré-entraîné sur des mots.

Une rangée de courtes tiges de laiton de hauteurs différentes, debout sur du papier gris, dans une lumière chaude et basse.

Ce choix de conception est tout le pari. Un modèle de fondation généraliste pour séries temporelles traite en général la série comme des nombres et apprend à régresser la valeur suivante. Kronos traite un chandelier comme un symbole et apprend la distribution du symbole suivant. Le second cadrage permet d'échantillonner, donc d'obtenir un éventail de futurs plutôt qu'une estimation ponctuelle, et il permet d'emprunter toute la boîte à outils que le langage modélisé a accumulée en huit ans.

C'est le tokenizer qui fait le travail difficile. Un chandelier a cinq nombres qui ne sont pas indépendants : le plus haut est toujours au-dessus de l'ouverture, de la clôture et du plus bas ; le plus bas toujours en dessous ; le volume corrèle avec l'amplitude d'une manière qui change selon l'instrument. Quantifier cela en symboles discrets sans détruire les relations, c'est la partie qui a demandé un article.

Le zoo de modèles est d'une honnêteté inhabituelle

Quatre tailles, dont trois ouvertes.

Kronos-mini fait 4,1 millions de paramètres avec un contexte de 2 048 tokens. Kronos-small fait 24,7 millions et Kronos-base 102,3 millions, tous deux avec un contexte de 512 tokens et un tokenizer partagé. Kronos-large fait 499,2 millions et n'est pas publié.

Publier les petits modèles et retenir le grand est une position défendable et de plus en plus courante. Elle donne aux chercheurs de quoi reproduire et aux auteurs un avantage commercial. Elle signifie aussi que le meilleur checkpoint ouvert disponible est un modèle de 102,3 millions de paramètres, plus petit que la plupart des claviers de téléphone.

Les longueurs de contexte méritent attention car elles bornent ce que le modèle peut voir. 512 barres, ce n'est pas beaucoup. À cinq minutes, cela fait environ 42 heures, moins de deux séances. En barres journalières, environ deux ans, ce qui est plus raisonnable. Si votre stratégie dépend de motifs qui se déploient sur un trimestre en bougies horaires, ce modèle ne peut pas les représenter en une passe.

Comment le lancer

Python 3.10 ou plus récent, puis pip install -r requirements.txt. Les poids viennent de Hugging Face, sous l'organisation NeoQuasar.

L'interface tient en quatre lignes.

tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
pred_df = predictor.predict(df=x_df, x_timestamp=x_timestamp,
                            y_timestamp=y_timestamp, pred_len=120)

Votre DataFrame a besoin des colonnes open, high, low et close, volume et amount étant optionnels. Vous passez une Series d'horodatages passés et une Series d'horodatages futurs, et le predictor gère la normalisation, la prévision et la dénormalisation. Il tronque automatiquement les entrées plus longues que la fenêtre de contexte, ce qui est pratique et aussi une façon discrète de perdre de l'information, donc vérifiez votre lookback.

Le dépôt contient des scripts de fine-tuning, un pour le chemin standard et un qui lit depuis CSV, plus une interface web et une série d'exemples. C'est plus complet que la plupart des sorties de recherche, ce qui explique en partie l'afflux d'étoiles.

Ce que les tokens hiérarchiques apportent

Le mot hiérarchique dans la description du tokenizer fait un vrai travail, et c'est la partie que la plupart des gens sautent.

Un tokenizer plat quantifierait un chandelier en un symbole tiré d'un codebook de quelques milliers. Cela compresse les cinq nombres en un indice, et les relations entre eux s'étalent. Un tokenizer hiérarchique sépare le travail : un token grossier capte la forme générale du chandelier et sa position par rapport à l'amplitude récente, et des tokens plus fins captent le résidu. Grosso modo, c'est la différence entre décrire un accord comme un la mineur et le décrire comme un la mineur avec une quarte augmentée à la basse.

Ce qui compte en aval, c'est la qualité de génération. Quand le modèle échantillonne un token grossier, il s'est déjà engagé sur une région de l'espace des chandeliers. Les tokens fins n'ont plus qu'à décider où à l'intérieur de cette région. Les séquences échantillonnées restent plausibles bien plus longtemps, et des horizons lointains plausibles sont tout l'objet d'un modèle de prix autoregressif.

Cela rend aussi le tokenizer réutilisable. Kronos-small et Kronos-base partagent un tokenizer, donc une équipe qui fine-tune le petit modèle puis passe au base n'a pas à reconstruire son pipeline de données.

La démo est un avertissement et un indice

La démo officielle en ligne prévoit la paire BTC/USDT sur les prochaines 24 heures.

C'est un choix étrange pour un modèle entraîné sur 45 places, et c'est le bon choix pour une démo. La crypto se négocie en continu, donc personne ne peut vous accuser d'avoir choisi une séance. C'est aussi le test le plus difficile possible, parce que les prix crypto à 24 heures sont proches d'une marche aléatoire et qu'un modèle qui a l'air bon dessus une semaine aura l'air mauvais la semaine suivante.

C'est ce qu'il faut garder en tête pour toute la catégorie. Un modèle de fondation pour séries de prix peut être réellement utile et ne pas vous dire quoi acheter. Les applications utiles sont en aval et spécifiques : combler des trous dans un flux de données, générer des scénarios plausibles pour la simulation de risque, détecter quand une série a commencé à se comporter autrement que dans son historique, signaler un segment où les formes de chandeliers sont statistiquement improbables pour cet instrument. Aucune ne demande au modèle de prédire la direction.

L'application qui tue les gens est l'évidente. Si vous échantillonnez mille futurs avec Kronos et que 60 pour cent dérivent à la hausse, c'est une affirmation sur la distribution d'entraînement du modèle, pas sur demain. Les modèles autoregressifs sont très bons pour prolonger le motif qu'ils ont vu, et les marchés financiers ont l'habitude de terminer les motifs précisément quand assez de capital est positionné pour qu'ils continuent.

Pourquoi un petit modèle est tendance maintenant

Trois raisons plausibles, et elles ne sont pas exclusives.

La première est le coût. Un modèle de 102,3 millions de paramètres tourne sur un portable. Vous itérez sur un pipeline de features en un après-midi sans réservation de GPU, et la boucle de rétroaction de la recherche quantitative est le même problème que celle de la génération vidéo : des outils lents rendent les gens prudents.

La deuxième est que la frontière est devenue bizarre. Des modèles à mille milliards de paramètres qui demandent un data center pour être servis, des agents qui pilotent votre bureau, des modèles du monde qui streament à 15 images par seconde. Un modèle qui répond à une question étroite sur votre propre machine est un soulagement.

La troisième est la licence. MIT, poids sur Hugging Face, scripts de fine-tuning inclus, pas d'exclusion de territoire, pas de seuil de revenu. Pour une équipe quant qui veut tester si la tokenisation de chandeliers marche sur son propre instrument, cela retire toutes les raisons de ne pas essayer.

Savoir si l'approche tient est une question empirique que le dépôt ne tranche pas. Il publie un zoo de modèles et une démo, et l'acceptation à AAAI dit que la méthode a passé la relecture, ce qui n'est pas dire qu'elle bat un modèle gradient boosting bien réglé sur vos données. Le test honnête est une évaluation walk-forward sur votre propre instrument contre la baseline à laquelle vous faites déjà confiance, coûts de transaction inclus.

Ce test coûte un week-end. Le modèle ne coûte rien. C'est ce ratio qui a fait monter les étoiles.

Articles associés