深度分析
FinSTaR：金融時間序列推理模型與 FinTSR‑Bench 基準的創新實驗
金融時間序列推理模型FinSTaR以全新2×2能力分類結合Compute‑in‑CoT與Scenario‑Aware CoT，針對單股與多股的評估與預測任務進行專屬訓練，在FinTSR‑Bench基準上取得78.9%平均正確率，顯著超越現有LLM與TSR模型，顯示金融AI在精準度與解釋性上有突破。
金融時間序列
速報
MOSAIC 框架：結構化代理式自動資料科學新突破
研究提出 MOSAIC（Modular Orchestration for Structured Agentic Intelligence and Composition）作為一套結構化的代理式框架，針對自動資料科學的模型選擇與工作流程建構提供記憶化、語意化的支援。
Hindsight Preference Optimization
Hindsight Preference Optimization：以事後偏好信號（DPO）強化VLM於金融時間序列諮詢
研究探討語言模型在時間序列預測與決策諮詢間的落差，提出Hindsight Preference Optimization。該法以觀察後的實際結果讓LLM擔任裁判，對候選建議排序並生成偏好對以供DPO微調。實驗在標普500圖表上示範，4B學生模型在準確度與諮詢品質上超越235B教師。