模型:NeoQuasar/Kronos-mini(金融 K 线 OHLCV 时间序列预测,~4.1M 参数 Transformer + ~4.1M 参数 Tokenizer-2k) 类别:表格数据 / 时间序列预测 推理引擎:PyTorch 2.9.0 + torch_npu(Ascend 910) 验证结论:NPU 推理 3 组测试用例 ALL PASS,CPU/NPU 一致性校验 PASS ✅
Kronos-mini 是 NeoQuasar 发布的金融 K 线(OHLCV)时间序列预测基础模型 (AAAI 2026,论文 arXiv:2508.02739)中最小的成员,在 45+ 全球交易所数据上预训练:
| 组件 | 权重来源 | 参数规模 | 上下文 |
|---|---|---|---|
| KronosTokenizer-2k | NeoQuasar/Kronos-Tokenizer-2k | ~4.1M | 2048 |
| KronosTransformer | NeoQuasar/Kronos-mini | ~4.1M | 2048 |
lookback 根 K 线(open/high/low/close/volume/amount),自回归预测未来
pred_len 根 K 线。remote-code 模型——HF 权重仓只有 config.json + model.safetensors,架构代码
不在 HF 仓内,需从官方 GitHub shiyu-coder/Kronos(MIT)拷贝 model/ 源码包本地加载。max_context=2048。| 项 | 版本 |
|---|---|
| NPU | Ascend 910(本机 2 卡,61.3GB HBM/卡) |
| 驱动 | npu-smi 25.5.5 |
| CANN | CANN-toolkit 8.5.1 |
| OS | Linux aarch64 |
| Python | 3.11.14 |
版本强绑定:torch / torch_npu 与 CANN 版本强绑定,不可单独升级。本机锁定
torch==2.9.0+torch_npu==2.9.0.post1+ CANN 8.5.1,安装后可用python3 -c "import torch, torch_npu; print(torch_npu.__version__)"验证。
torch==2.9.0
torch_npu==2.9.0.post1
huggingface_hub==0.36.2
numpy==1.26.4
pandas==3.0.2
safetensors==0.7.0
einops==0.8.2
tqdm==4.67.3
requests==2.33.1weights/
├── kronos-mini/ # NeoQuasar/Kronos-mini (16MB, config.json + model.safetensors)
└── kronos-tokenizer-2k/ # NeoQuasar/Kronos-Tokenizer-2k (16MB)# 1) 拉取架构源码(remote-code 模型需要)
git clone https://github.com/shiyu-coder/Kronos.git
cp -r Kronos/model . # 拷贝 model/ 包到本仓
# 2) 拉取双组件权重(GitCode 镜像, resolve/main 路径可直接下载)
# Kronos-mini: https://ai.gitcode.com/hf_mirrors/NeoQuasar/Kronos-mini
# Kronos-Tokenizer-2k: https://ai.gitcode.com/hf_mirrors/NeoQuasar/Kronos-Tokenizer-2k
curl -sL "https://ai.gitcode.com/hf_mirrors/NeoQuasar/Kronos-mini/resolve/main/model.safetensors" \
-o weights/kronos-mini/model.safetensors
curl -sL "https://ai.gitcode.com/hf_mirrors/NeoQuasar/Kronos-Tokenizer-2k/resolve/main/config.json" \
-o weights/kronos-tokenizer-2k/config.json
# (config.json / README.md 同理; 或使用 huggingface_hub.snapshot_download)pip install -r requirements.txt
# CANN 与 torch_npu 安装方式见 readme.md 依赖部分(须与 CANN 8.5.1 匹配)cd Kronos-mini-NPU
python3 inference.py --lookback 256 --pred-len 16python3 inference.py --demo
# Test Case 1: lookback=128 pred_len=8 (短上下文)
# Test Case 2: lookback=256 pred_len=16 (标准)
# Test Case 3: lookback=512 pred_len=24 (满上下文)python3 inference.py --compare-cpu --lookback 128[env] NPU available=True device=npu:0 name=Ascend910_9362 total_mem=61.3GB
[env] torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04
[load] KronosTokenizer=3M KronosTransformer=4M dtype=fp32 device=npu:0[infer] 8 步自回归耗时 0.38s pred shape=(8, 6)
[verify] pred rows=8 cols=['open', 'high', 'low', 'close', 'volume', 'amount'] shape_ok=True
[verify] finite=True NaN=0
[verify] 价格合理性(±30%): 预测收盘区间 [9.888,9.911] vs 历史收盘 9.880 ok=True
[verify] sanity(high>=low) ok=True 量>=0 ok=True [info] open/close∈[low,high] 命中率=100%
[verify] 预测有效性: PASS ✅[infer] 16 步自回归耗时 0.14s pred shape=(16, 6)
[verify] 预测收盘区间 [9.857,9.898] vs 历史收盘 9.880 ok=True
[verify] 预测有效性: PASS ✅[infer] 24 步自回归耗时 0.21s pred shape=(24, 6)
[verify] 预测收盘区间 [9.794,9.847] vs 历史收盘 9.880 ok=True
[verify] 预测有效性: PASS ✅[compare] s1 token 完全一致率 = 1.0000 s2 = 1.0000
[compare] s1 logits cosine = 1.000000 s2 logits cosine = 1.000000
[compare] 一致性判定: PASS ✅ (token>0.99, cosine>0.999) open high low close volume amount
2024-08-29 11:35:00 9.8819 9.8874 9.8536 9.8584 758.090881 795734.31250
2024-08-29 11:40:00 9.8610 9.8831 9.8485 9.8700 260.241608 285958.87500
2024-08-29 11:45:00 9.8640 9.8825 9.8500 9.8694 179.908096 211382.25000
...(共 16 行)| # | 报错/异常 | 原因 | 解决方案 |
|---|---|---|---|
| 1 | 'DatetimeIndex' object has no attribute 'dt' | KronosPredictor.predict() 的 x_timestamp/y_timestamp 内部用 .dt 访问器,传 DatetimeIndex 不兼容 | 必须传 pandas Series(xdf.index.to_series()) |
| 2 | 模型设备探测不认 NPU | KronosPredictor 自动探测只认 cuda/mps | 显式传 device="npu:0" |
| 3 | No module named 'model' | remote-code 模型 HF 仓无架构代码 | 从官方 GitHub shiyu-coder/Kronos 拷贝 model/ 包,本地 from_pretrained |
| 4 | fp16 下预测严重失真(token 重建错乱) | KronosTokenizer 用 torch.where(z>0) 硬阈值量化,低精度下 bit 翻转 | 默认 fp32(bf16 可接受,fp16 不推荐) |
| 5 | 权重目录/上下文拿错(用 base 的 Tokenizer-base 或 max_context=512) | Kronos-mini 配套 Kronos-Tokenizer-2k(ctx=2048),与 base/small 不同 | 下载 Tokenizer-2k 权重,max_context=2048 |
| 6 | torch_npu 导入时权限告警(owner mismatch) | CANN 目录属主与运行用户不一致 | 属无害告警,可忽略;确保 NPU 卡空闲可用 |
| 7 | [LOG_WARNING] can not create directory: /home/.../ascend/log | 无 ascend 日志目录写权限 | 无害告警,不影响推理 |
| 8 | git 镜像仓库 git clone 报 redirect(ai.gitcode.com/hf_mirrors/*.git 跳转首页) | hf_mirrors 镜像不开放 git 协议 | 改用 resolve/main/ 直链 curl 下载,或 huggingface_hub.snapshot_download |
--dtype fp32(默认)。bf16 可接受;fp16 因硬阈值量化敏感不推荐。max_context=2048,lookback 需 <=2048(本仓测试数据 2500 根)。T=1.0, top_k=0, top_p=0.9, sample_count=1(确定性推理)。ai.gitcode.com/hf_mirrors/<owner>/<repo>/resolve/main/<file> 直链最稳
(镜像不开放 git clone 协议)。Kronos-mini-NPU/
├── inference.py # 推理脚本(torch_npu,必选)
├── readme.md # 本部署文档(必选)
├── requirements.txt # 环境依赖清单(推荐)
├── model/ # Kronos 架构源码(官方 GitHub 拷贝)
├── data/ # K 线测试数据(kline_600977_5min.csv)
├── weights/ # 双组件权重(kronos-mini + kronos-tokenizer-2k)
├── scripts/ # 截图脚本(run_full_capture.sh / make_screenshots.py)
└── assets/ # 截图素材
├── agent_workflow.png # Agent 完整适配工作流
├── npu_device_call.png # NPU 硬件设备调用日志
├── model_result.png # 模型最终适配验收结果
└── agent_usage_1..3.png # Agent 使用截图inference.py --demo:3 组测试用例(128/256/512)全部 PASS ✅;inference.py --compare-cpu:CPU/NPU token 完全一致率 > 0.99,logits cosine > 0.999;