Agentic模型编排真有效？FairAMO揭示集成收益的边界

时间序列基础模型（TSFM）在不同预测任务上表现参差不齐，这催生了智能体模型编排（Agentic Model Orchestration, AMO）——用代理机制动态选择或组合多个TSFM，以期获得超越单一模型的效果。然而，一项新研究对这类收益的来源提出了根本性追问：涨点究竟来自更聪明的编排，还是仅仅因为候选池里恰好有更强的模型？

AMO的流行与一个被忽视的混淆变量

AMO的典型做法是构建一个包含多个TSFM的候选池，再由调度器根据任务特征决定用哪个模型、或如何加权融合。论文指出，此前不少工作报告了AMO优于单个预测器的结果，但这些对比往往缺乏控制：候选池中可能已经包含了针对特定任务表现突出的模型，此时「编排」的贡献与「候选质量」的贡献难以分离。

换句话说，系统层面的预测精度提升，未必能归功于编排机制本身。这正是该研究提出FairAMO的出发点。

时间序列基础模型（TSFM） 指在大规模多领域时间序列数据上预训练、可零样本或轻量微调迁移到下游预测任务的模型，代表工作包括Chronos、TimesFM、Moirai等。与为单一数据集定制的传统预测模型不同，TSFM试图以统一架构覆盖零售、能源、交通、气象等异质任务。但由于预训练数据分布、上下文长度、频率适配等差异，不同TSFM在同一任务上的表现差异显著，甚至排序会随任务类型翻转。这种「各有短板」的特性正是模型编排被提出的现实基础：若不存在跨任务的能力分化，组合多个模型便无从获益。

FairAMO：冻结候选，只测编排

FairAMO是一个受控评估协议，核心设计是「冻结候选预测」——所有候选TSFM的输出在评估前已经固定，编排器只能在既有预测结果上做选择或组合。这样一来，任何精度变化都只能来自编排策略，而无法通过引入新模型或重新训练来「作弊」。

研究在GIFT-Eval基准上展开实验。这个基准覆盖多类时间序列预测任务，适合检验编排策略在不同任务分布下的稳健性。

MASE（Mean Absolute Scaled Error，平均绝对尺度误差） 是时间序列预测中常用的精度指标，其做法是将模型的平均绝对误差除以一个朴素基准（通常是季节朴素预测，即用上一周期同位置的值作预测）的平均绝对误差。因此MASE小于1表示优于朴素基准，越小越好，且因经过尺度归一化，可在不同量级、不同频率的序列间横向比较并取平均。这使得它适合作为跨任务聚合指标，也是本文用「MASE改进不足6%」来衡量编排增益的原因——该数字反映的是相对误差的下降比例，而非绝对误差量级。

收益上限：不到6%的MASE改进

实验给出了一个相当克制的结论：AMO确实能提升精度，但提升幅度被候选TSFM本身牢牢限制。相对于所有任务上表现最好的单一TSFM，最佳编排器将MASE（平均绝对尺度误差）降低的幅度不足6%。

这个数字值得细看。它意味着编排带来的边际价值是真实存在但有限的——如果候选池本身不够强，再精巧的调度也难以突破天花板。对于期待用AMO实现数量级提升的实践者，这是一个必要的预期校准。

增益来自互补性，而非候选数量

论文进一步拆解了收益来源：增益取决于候选之间的「互补性」，即不同候选是否在不同任务上各有所长，而不是候选池的规模。

这一发现直接挑战了「多即是好」的直觉。实验显示，增加成员会带来递减回报；更严重的是，一个冗余成员可能直接抹掉已有增益——冗余模型不仅不贡献多样性，还可能干扰编排决策。这对工程实践的含义很明确：构建候选池时应追求任务覆盖的差异化，而非堆砌模型数量。

候选互补性（complementarity） 与模型多样性密切相关但不等价：多样性描述模型之间预测行为的差异程度，互补性则强调这种差异是否恰好落在彼此的错误区域上，即一个模型的弱项能被另一个模型的强项覆盖。两个都很强但错误高度相关的模型，多样性低且互补性也低；一个在短序列上强、一个在长序列上强的模型，则具备结构性互补。这正是冗余成员有害的机制所在：它不改变候选在任务维度上的覆盖结构，却会稀释调度器可用的判别信号，使基于历史表现的选择更易受噪声干扰。

历史证据快速饱和

另一个值得关注的结果关乎时间窗口。AMO通常依赖历史证据来判断当前任务该用哪个模型，但实验发现这种证据的价值饱和得很快：仅仅几个近期窗口就足以捕获全部增益，更长的历史不再带来任何额外收益。

这对系统设计有直接启发——编排器无需维护冗长的历史记录，近期表现信号已包含决策所需的绝大部分信息，降低了对存储与计算资源的依赖。

重新理解系统级增益

这项工作的核心贡献在于把「系统级预测增益」与「编排本身的贡献」分离开来。在冻结候选的受控条件下，编排的独立价值被量化：有限但可测，且高度依赖候选的互补结构。

对研究社区而言，FairAMO提供了一种更诚实的评估范式——在宣称编排方法优越之前，先排除候选质量这一混淆因素。对工程团队而言，结论同样务实：投资于候选模型的多样性与质量，比投资于更复杂的调度逻辑回报更高；而当候选池已经同质化时，增加编排层大概率只是在制造复杂度。