Jev刷屏之后，竟然有人12个月前就提出了概率并行生成？

2026 年 9 月，Jev 刷屏了。围绕这款直接输出判断和概率的 AI 模型，讨论已经持续了好几天。

从 X 上的演示到开发者的应用尝试，一个问题浮出水面：当 AI 用来做决策，还需要先生成一长串文字吗？

但如果把时间拨回整整一年前呢？

2025 年 9 月，已经有研究提出：让模型一次并行生成多种可能的未来，并直接给出它们的概率。 

而且，这篇论文从一开始，就把「服务决策」写进了研究动机。

这项研究来自香港中文大学徐强教授团队，论文题为《From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting》（从采样到场景：概率预测的新范式），于 2025 年 9 月 24 日公开，现已被 ICLR 2026 接收。TimePrism 是为这一范式设计的验证模型。

• 论文链接：https://arxiv.org/abs/2509.19975
• 代码链接：https://github.com/Fifthky/TimePrism

「显式概率」「并行输出」「面向决策」，如今 Jev 受到关注的设计思路，在这项研究中早已形成了一套用于概率预测的方法。

两个不同的领域，为什么会走向相似的方向？

Jev 为什么火：让模型直接给出决策所需的信息

Jev 把日常交流中的判断变成了模型的核心任务：这条信息该不该保留？下一步应该选择哪个动作？任务是否已经完成？

开发者提供文本或程序状态，定义问题和选项，再由模型返回概率、评分等结构化结果，供程序使用。

这些任务通常不需要一篇长回答。Jev 采用面向判断的输出方式，并支持针对同一份输入并行处理多个问题。

这让它与大家熟悉的逐 token 文本生成形成了鲜明区别，也让 Agent 中大量频繁发生的小决策成为自然的应用场景。

在 X 上，创始人的游戏和网页导航演示把这种变化展示得很直观；随后出现的开发者实验，继续延伸了讨论。传播的焦点，是 AI 如何更直接地进入软件的决策过程。

TimePrism 回答的是概率预测中的同类问题：系统需要提前行动时，模型应该交付什么？

它给出的答案是一组可能结果，以及每个结果的概率。这样，后续系统就能根据不同结果的成本与收益，比较行动方案。

从采样到场景：把「会发生什么」和「多大可能」一起学出来

假设一个系统要安排明天的备用电力。单一的发电量预测还不够：正常发电、发电量大幅下降，都可能对应不同的准备方案。

系统需要知道有哪些可能的未来，以及每种未来出现的可能性。

常见的概率预测方法通过采样表达这些可能性：反复生成未来轨迹，再从样本集合中估计分布。样本越多，统计信息通常越充分，相应的生成和处理成本也会增加。

TimePrism 提出的「概率场景」范式，把学习目标直接写成 {场景，概率}。

模型既学习有代表性的未来场景，也显式学习这些场景上的概率分布；推理时，一次前向计算就能并行得到整组结果。

从采样到场景：一次输出一组可能的未来及其概率。来源：论文图 1。

这意味着，概率不再需要仅靠大量重复样本的频率来体现。

每个场景都带有自己的权重，决策系统可以直接计算不同方案在这些场景下的预期成本，或为代价较大的情况预留资源。

原文曲线对比。上排为 TimePrism 的概率场景，蓝色粗线表示较高概率，红色细线表示较低概率；下排为基线 TACTiS-2  的采样结果。来源：论文图 4。

图中，相似的历史之后，既可能出现常见的高峰，也可能出现少见的低峰。上排将这些不同走向及其概率一起呈现出来。

「从采样到场景」的变化，正是让可能的未来成为可以直接比较和使用的对象。

为了验证这个想法，团队只用了三个线性层

TimePrism 的核心可学习结构只有三个并行线性层：两个分支生成未来场景，一个分支学习对应概率。训练时，场景分支学习覆盖不同的真实未来，概率分支学习这些场景各自的权重。

团队有意采用这种简洁设计，检验一个关键假设：如果学习目标与输出形式设计得当，简单结构也能做好复杂的概率预测。 架构的作用，是把新范式的有效性清楚地展示出来。

TimePrism 架构：场景与概率分别建模，三个分支并行计算。来源：论文图 3。

论文在五个基准数据集上比较了两项主要指标，TimePrism 在十项比较中取得九项最佳结果，以很小的计算开销胜过多种复杂的概率预测模型，其中包括扩散模型、Flow 模型和基于 Transformer 的模型。

这个结果为论文的核心想法提供了实验支持：改变学习范式，可以让极简结构释放出更强的能力。

这样的研究方式，也延续了通讯作者徐强团队一贯的探索。2023 年，团队发表《Are Transformers Effective for Time Series Forecasting?》，用简单线性模型挑战当时的 Transformer 预测方法，引发了激烈讨论。

截至 2026 年 9 月，其 Google Scholar 引用已超过六千次。该论文是近年来时序预测领域最重要的论文之一，深刻地影响了整个预测领域的发展。

这篇 DLinear 论文的影响超出了具体的预测任务：并不是所有领域，直接使用 Transformer 就会更好，促使研究者重新审视任务假设与模型结构的关系。

有趣的是，这一次，团队为了验证概率场景范式，特意选择简单的线性架构，并将场景与概率分别建模，也恰好致敬了自己的 DLinear。

Jev 与 TimePrism 的相遇，指向了什么？

把两项工作放在一起看，最值得关注的共同点，是根据决策需求重新设计模型的输出。选项及其概率、未来场景及其权重，都能直接进入后续程序的判断与计算。概率因此成为模型与决策系统之间的一种接口。

两者也都体现了并行处理的价值。Jev 可以围绕同一份输入并行回答多个判断问题，减少逐字生成文本的开销；TimePrism 则一次输出整组未来场景与概率，省去推理阶段的反复采样。

各自的计算方式，都围绕最终需要的结果重新组织。

两者的差异同样有意思。Jev 面向自然语言和程序状态，通常由开发者定义问题或候选选项，再由模型判断。

TimePrism 面向未来的不确定性，连「有哪些候选未来」也交给模型学习。前者侧重对给定问题作判断，后者侧重生成带有概率的未来图景。

这让它们展示出两种不同层面的通用性：Jev 用统一的判断接口承接多种语义任务；TimePrism 则提出一种可以继续拓展的学习范式，让模型同时学习候选结果及其概率。

显式概率、并行输出、面向决策，是两条路径相通的设计思路。

概率场景的潜力也值得放到更广的任务中探索。机器人需要比较不同运动轨迹，规划系统需要考虑多种后续状态，资源调度需要权衡不同需求情景。这些任务都可能受益于「多个候选结果及其概率」的输出形式。

结语

未来，概率场景范式可以结合更强的骨干网络、更加复杂的场景表示，以及规划与优化方法。TimePrism 提供了一个简洁的起点：先明确决策需要怎样的信息，再设计模型如何学习和交付这些信息。

Jev 的走红，让这条路线获得了新的关注。回看 2025 年 9 月的论文，港中文徐强团队提出的「从采样到场景」，已经在概率预测中展开了同一个关键命题：让 AI 一次看见多种可能，并把它们交给下一步决策。

文章来自于微信公众号 “机器之心”，作者 “机器之心”