一、工具简介
鹰序TST（FalconTST，Time-Series Transformer）是蚂蚁国际（Ant International）自研的时序预测大模型，2.0 版本于 2026 年 8 月发布。与时序无关的大语言模型不同，TST 专注于时间序列预测，专为跨境支付、外汇风险管理等金融场景打造，并已拓展至电商供应链需求预测、航空运营管理等行业。2.0 版本在全球权威时序预测基准测试中取得 SOTA 成绩，平均绝对比例误差（MASE）降至 0.666，预测准确率稳定超过 93%。作为蚂蚁国际“预测性 AI”战略的核心载体，鹰序TST 正推动 AI 从“理解与生成信息”走向“洞察事物随时间演变的规律”，将预测智能转化为真实的资金与风控决策。蚂蚁国际首席创新官杨江明表示，AI 的价值不止于更高的预测分数，更在于将预测转化为实际的流动性准备与资本配置决策，让预测性 AI 成为全球企业金融服务的基础能力。

二、主要功能
1. 现金流预测：支持小时级、日级、周级的企业现金流与流动性预测。
2. 外汇敞口管理：精准预判各币种资金流入流出，辅助外汇套期保值决策。
3. 跨频率预测：覆盖从秒级支付数据到月级经济指标等多种时间频率。
4. 缺失数据处理：区分“数据缺失”与“真实零值”，避免错误学习异常模式。
5. 跨行业泛化：通过 ORBIT 技术从金融、零售、能源、旅游等数据中学习通用时间规律。
6. 可复用预测能力：同一模型能力可跨客户、跨行业复用，成为基础预测设施。企业无需为每个业务线训练独立模型，即可获得一致、可控的预测体验。这种“一次训练、多场景复用”的特性，正是鹰序TST 区别于传统单点预测模型的关键优势，也使其更易在大型机构内部推广。

三、技术原理
鹰序TST 以 Time-Series Transformer 架构建模数据随时间演变的规律，捕捉周期、趋势、季节性与突发变动背后的通用时间结构。针对真实金融数据的不规则性，2.0 版本引入高级缺失数据处理机制，可识别周末无交易等“缺失而非零值”的情形；ORBIT 技术则强化跨行业迁移能力，使模型在新业务场景中直接复用已学模式，而非为每个行业单独建模。模型还支持多步滚动预测与不确定性量化，为风控与资金调度提供可解释区间，而非单一确定性数值，提升了在监管与生产环境中的可用性。

四、应用场景
跨境支付与清算机构可用其预测流动性需求与汇率波动；银行将其整合进外汇对冲平台（如巴克莱 BARX NetFX、渣打 SCALE FX）以提升现金流预测与外汇风险管理；航空业可管理多币种收支下的外汇与流动性；电商、物流等高频现金流行业亦可复用其预测能力，优化资本配置与套期保值策略。在航空、电商与物流等强周期行业，鹰序TST 还能用于需求预测与运营排程，将同一套时序能力延伸到金融以外的广阔场景，成为可复用的基础预测设施。

五、使用方法
鹰序TST 最初部署于蚂蚁国际内部用于自身现金流与外汇敞口管理，随后以模型能力形式开放给银行与行业客户。企业可将模型接入自身外汇对冲或资金管理系统中，按小时、日、周等频率输入交易、余额与头寸数据，获得现金流与外汇敞口的预测结果，并据此调整流动性准备与对冲规模。

六、优缺点介绍
优点：
1. 专注时序预测，在金融数值预测上天然优于通用 LLM。
2. 基准测试 SOTA，准确率稳定超 93%，已被多家全球顶级银行采用。
3. ORBIT 与缺失处理机制显著提升真实数据下的鲁棒性。
4. 跨行业复用能力强，可沉淀为基础预测设施。
缺点：
1. 能力聚焦金融与数值预测，不擅长文本理解与生成类任务。
2. 模型效果依赖高质量历史时序数据，数据稀薄场景受限。
3. 当前以企业级授权为主，面向中小客户的自助化产品有限。

随着金融与实体行业对时序智能的需求增长，鹰序TST 有望在跨境支付之外，成为跨行业共享的基础预测底座，把预测能力沉淀为公共服务。