Kronos 是 410 萬參數、用 K 線訓練的模型。小尺寸本身就是論點。

在一個 7530 億參數的科學模型和 3970 億參數的桌面代理同週推出的星期裡,金融分類中在 GitHub trending 爬升最快的儲存庫,有 410 萬個參數。
Kronos 由 shiyu-coder 開發,自稱是第一個開源的金融 K 線基礎模型。它用來自 45 個以上全球交易所的資料訓練,採 MIT 授權,並獲 AAAI 2026 接受。這個儲存庫有 47,000 顆星,本週增加約 3,000 顆,對一個最後一次 commit 在四月的專案來說有點怪。
這些星星值得想一想,因為它們說出了人們現在真正想從 AI 得到什麼,而前沿發布並沒有提供。
它做什麼
前提是:K 線(K-line)圖表是一種語言,而語言可以被 tokenize。
Kronos 分兩階段運作。tokenizer 把連續、多維的 K 線資料——開盤、最高、最低、收盤,以及選用的成交量與成交金額——量化成階層式的離散 token。接著一個 decoder-only Transformer 在這些 token 上以 autoregressive 方式預訓練,完全就像語言模型在詞上預訓練那樣。

這個設計選擇就是全部的賭注。一般的時間序列基礎模型把序列當成數字,學習回歸下一個值。Kronos 把一根 K 線當成符號,學習下一個符號的分布。第二種框架讓你取樣,於是你得到的是一整片未來的分布,而不是單點估計,也讓你借用語言建模八年來累積的整套工具。
真正在做難事的是 tokenizer。一根 K 線有五個彼此不獨立的數字:最高價永遠在開盤、收盤、最低之上;最低價永遠在它們之下;成交量與振幅的相關方式會隨標的改變。把這些量化成離散符號而不破壞它們之間的關係,就是需要一整篇論文的部分。
模型動物園異常誠實
四種尺寸,其中三種開源。
Kronos-mini 是 410 萬參數,context 為 2,048 個 token。Kronos-small 是 2,470 萬,Kronos-base 是 1.023 億,兩者都是 512 token context,並共用同一個 tokenizer。Kronos-large 是 4.992 億,沒有釋出。
發佈小模型、保留大模型,是站得住腳的立場,也越來越常見。它給研究者可以重現的東西,也給作者商業上的優勢。它同時意味著目前最好的開源 checkpoint 是 1.023 億參數的模型,比大多數手機鍵盤還小。
context 長度值得注意,因為它限制了模型能看見什麼。512 根 K 線並不多。以五分鐘區間計算約 42 小時,不到兩個交易日。以日線計算大約兩年,這比較合理。如果你的策略依賴以一小時 K 線、跨越一季展開的形態,這個模型沒辦法在一次傳遞中表徵它們。
怎麼跑
Python 3.10 或更新版本,然後 pip install -r requirements.txt。權重來自 Hugging Face 的 NeoQuasar 組織。
介面是四行:
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)
你的 DataFrame 需要 open、high、low、close 欄位,volume 與 amount 則為選用。你傳入一組歷史時間戳的 Series 和一組未來時間戳的 Series,predictor 會處理正規化、預測與反正規化。它會自動截斷比 context 視窗更長的輸入,這很方便,也是一種安靜丟失資訊的方式,所以檢查一下你的 lookback。
儲存庫裡有微調腳本,一個走標準路徑,一個從 CSV 讀取,另外還有網頁 UI 和一組範例。這比大多數研究釋出更完整,也是它持續吸引星星的部分原因。
階層式 token 給你什麼
tokenizer 描述裡的「階層式」是真的在做事,而這是最多人跳過的部分。
扁平的 tokenizer 會把一根 K 線量化成幾千個 codebook 條目中的一個符號。那會把五個數字壓成一個索引,它們之間的關係就被抹平了。階層式 tokenizer 把工作拆開:粗的 token 捕捉 K 線的大致形狀,以及它相對近期區間的位置;細的 token 捕捉殘差。大致上,這就像把一個和弦說成 A 小調,和說成 A 小調、低音帶一個升四度。
為什麼下游有差,關鍵在生成品質。當模型取樣一個粗 token,它已經先承諾了 K 線空間的某個區域。細的 token 只需要決定在那個區域裡的哪個位置。取樣出來的序列能維持合理更久,而合理的長遠走勢正是 autoregressive 價格模型的全部意義。
它也讓 tokenizer 可以重複使用。Kronos-small 和 Kronos-base 共用一個 tokenizer,所以一個先微調小模型、之後升級到 base 的團隊,不必重建資料管線。
Demo 既是警告,也是提示
官方的 live demo 預測 BTC/USDT 接下來 24 小時。
對一個用 45 個交易所訓練的模型來說,這是奇怪的選擇,而對 demo 來說是對的。加密貨幣連續交易,所以沒人能指責你挑市場時段。它也是最難的測試,因為 24 小時的加密價格接近隨機漫步,任何模型在上面好看一週,下一週就會難看。
這就是整個類別要記住的事。價格序列的基礎模型可以真的有用,卻仍然不會告訴你該買什麼。有用的應用都在下游,而且很具體:補資料源的缺口、為風險模擬生成合理的情境、偵測一個序列開始表現得不像它的歷史、標記某段 K 線形狀對該標的而言統計上不太可能的區間。這些都不需要模型預測方向。
會害死人的應用就是最明顯的那個。如果你從 Kronos 取樣一千個未來,其中 60% 往上漂,那是關於模型訓練分布的陳述,不是關於明天的。autoregressive 模型非常擅長延續它們看過的模式,而金融市場有個習慣:正好在有足夠資本押注模式延續的時候,讓模式結束。
為什麼小模型現在會紅
三個可能的原因,而且並不互斥。
第一個是成本。1.023 億參數的模型在筆記型電腦上跑。你可以在一個下午迭代特徵管線,不用預約 GPU,而量化研究的回饋循環和影片生成的回饋循環是同一個問題:工具慢,人就保守。
第二個是前沿變得很奇怪。需要資料中心才能服務的兆級參數模型、會操作你桌面的代理、以每秒 15 幀串流的世界模型。一個只在自己機器上回答一個窄問題的模型,是一種解脫。
第三個是授權。MIT、權重在 Hugging Face、附微調腳本、沒有地區排除、沒有營收門檻。對一個想測試 K 線 tokenization 在自己標的上是否行得通的 quant 團隊來說,這移除了所有不去試的理由。
這個方法站不站得住是實證問題,儲存庫並沒有解決它。它發佈了一個模型動物園和一個 demo,而 AAAI 的接受只表示方法通過同儕審查,不等於說它在你自己的資料上打敗一個調校良好的梯度提升模型。誠實的測試是在你自己的標的上做 walk-forward 評估,對照你本來就信任的基準,並把交易成本算進去。
那個測試花一個週末。模型不用錢。這個比例就是星星往上跑的原因。