207亿欧元的生意，押注在一个120M参数的模型上。
这不是某个AI独角兽的故事，而是全球最大体育用品零售商迪卡侬刚刚公开的生产级部署。2025年，迪卡侬的商品交易总额达到207亿欧元，全年卖出12.3亿件商品，覆盖80多项运动。每一件商品从工厂到货架的旅程，都依赖需求预测来决策：订多少货、备多少库存、分配到哪些区域。
过去，这套系统的核心是用定制模型每周重训。现在，迪卡侬换了一种思路——不再替每个产品量身定制预测模型，而是用一个预训练好的时间序列基础模型，在所有产品上统一做推理。结果在东南亚和拉丁美洲两个已投产的供应链区得到验证：12周补货窗口上的WAPE（加权绝对百分比误差）从39%降到28%（SEA）、从53%降到38%（LATAM），分别提升11和15个百分点。
更令人惊讶的是成本。每周一次的批量推理，跑在Amazon EC2 m6i.8xlarge（纯CPU实例）上，东南亚区域约15000条时间序列耗时约75秒，拉丁美洲区域约7000条耗时约40秒。按实例定价推算，每周推理费用约0.03美元。整套架构只在每6个月的微调阶段使用一次GPU（g5.4xlarge），其余全部CPU运行。
当AI行业在追逐千亿参数模型和万卡集群时，迪卡侬用事实给出了一个相反的信号：在零售预测这个场景里，120M参数的轻量级基础模型，以一种无人预料到的方式碾压了传统方案。
一场蓄谋已久的模型对决
迪卡侬的预测系统，历史上走过几代演进。从基于广义可加模型（GAM）和指数平滑法（Holt-Winters）的快速基线，到引入LightGBM等机器学习模型，再到最终采用DeepAR——一种基于自回归循环神经网络的深度学习方案。系统每周重训一次，运行在包括欧洲、印度、中国、东南亚和拉丁美洲在内的多个供应链区，每个区域覆盖多达25000种产品。
但这套路线的隐性成本很高。数据科学团队需要在每个区域配置不同的管道，每引入一个新市场，三类工程师需要约6个月才能完成部署。当公司计划继续向中东和非洲扩张时，这种模式变得不可持续。
转折点出现在2024到2025年间——时间序列基础模型（TSFM）走向成熟。Chronos、TimesFM、Moirai、Lag-Llama——这些名字开始密集出现在各种行业榜单上。但迪卡侬的团队做了一个关键决定：不看公开基准，直接拿自己的数据打擂台。
他们在欧洲供应链区，用超过39000种产品、跨越250万个时间序列的真实零售数据，对多个TSFM进行了头对头测试。候选模型包括Chronos-2、TimesFM 2-500M、TimesFM 2.5、Chronos Bolt、TimeGPT-1.5、Moirai 2等，与迪卡侬生产环境中的DeepAR（每周重训）和Holt-Winters统计基线做全面对比。
结果出乎团队意料。在零样本（zero-shot）条件下，TimesFM 2-500M是表现最好的TSFM——这一点与公开基准一致。但更关键的是，所有TSFM中的佼佼者已经能够接近甚至超越每周重训的DeepAR生产基线。这意味着一个未经任何微调的通用预训练模型，在垂直场景中已经能和每周针对性迭代的定制模型正面竞争。
而经过LoRA微调之后，Chronos-2在所有候选模型中全面领先：12周和52周两个预测窗口上均稳居第一。迪卡侬团队在Medium上公开发布的评价是：Chronos-2微调版是无争议的冠军（the undisputed champion）。
不过，数据背后也有细微差异。Chronos-2微调版虽然整体第一，但TimesFM 2-500M仍在43.2%的产品上略胜一筹。这说明不存在一个模型通吃所有SKU。而Chronos-2胜出的关键差异点之一，是它的群体注意力机制（group attention mechanism）天然支持外部协变量——比如价格变动、促销计划这些零售预测中必须考虑的因素。大多数TSFM处理协变量需要变通方法，Chronos-2则在架构层面直接解决了这个问题。
CPU上的轻量化革命
迪卡侬的架构选择有一个核心特征：对GPU的零依赖。
Chronos-2是一个120M参数的Transformer编码器模型，灵感来自T5架构。它将时间序列值通过缩放和量化分词化，把预测问题转化为语言建模任务。相比于那些动辄数百亿参数的大模型，Chronos-2的设计哲学是够用就好——它不仅在多个公开基准中排名前列（fev-bench、GIFT-Eval），更有能力在CPU上高效运行。
这个平衡点在整个架构中表现得很清楚。PySpark负责数据预处理，AutoGluon每6个月用LoRA对模型做一次高效微调，MLflow负责模型注册和版本管理。每周一次的推理任务通过AWS Batch调度，使用CPU实例m6i.8xlarge，按需启动、跑完即停。没有GPU集群待机浪费，只有每周一轮的短暂爆发。
这种设计带来的不仅是一个漂亮的成本数字，更是工程复杂度的急剧下降。微调频率从每周降为每6个月一次，推理运行时从10–15分钟（含重训）降为40–75秒，新区域部署时间从6个月（三人团队）缩短到2–3个月（仅需一名数据科学家、一名ML工程师和一名数据分析师）。
简而言之，TSFM把零售预测从每周重训一次定制模型的繁重运维，变成了每半年微调一次通用模型的轻量级工程。但这背后需要一套成熟的云基础设施来做支撑。AutoGluon的自动微调管道、AWS Batch的低成本批量调度、MLflow的模型版本管理——三个组件缺一不可，才让120M参数模型、CPU推理、每周3美分这个看似冒险的方案变得可靠。
从做模型到用模型
迪卡侬的故事揭示的是AI在垂直行业落地的通用范式转变。
旧范式的逻辑是：每个企业都自己做模型。组建数据科学团队、收集标注数据、从零训练定制模型、每周重训维护——这是一条昂贵且不可规模化的路径。迪卡侬过去六七年的预测系统演进，就是这条路径的标准写照。
新范式的逻辑是：预训练好的基础模型成为铲子——企业不再需要自己挖矿，只需要拿着铲子到自己的数据上铲一下，微调、推理，就可以直接用了。
这个转变的意义在于，它将AI能力从专家工程变成了配置工作。迪卡侬的团队不必再消耗大量工程资源在每周重训上，可以腾出手来处理更具商业价值的事情——比如将预测结果与采购系统对接、优化库存周转率、加速向中东和非洲扩展。
更深一层看，TSFM的成熟正在改变云厂商的竞争方式。Amazon将Chronos-2深度整合进AutoGluon、SageMaker JumpStart、AWS Batch等组件，使其成为一个即插即用的基础设施单元。Google将TimesFM整合到Vertex AI，Salesforce将Moirai整合到Einstein平台。基础模型正在成为云厂商锁定企业客户的新抓手——卖的不只是模型，是整个预测基础设施。
对于零售业的同行来说，迪卡侬的实践给出了一个可复用的行动路线：用公开基准做初筛、用自身数据跑头对头测试、选对模型后用LoRA做低成本微调、用云批量调度压降推理成本。
但也要警惕它的局限性。迪卡侬的测试显示，在部分精度指标上（如MASE和MIC），传统GAM+LightGBM组合仍有优势。TSFM不是银弹，而是在特定场景中性价比最优的选择。另外，迪卡侬目前只将TSFM用于需求预测的一个环节——每周销售数量预测——尚未涉及更复杂的多层级预测（门店级×SKU级×时间级），这仍是零售预测中公认最难攻克的阵地。
迪卡侬的Chronos-2部署目前已在东南亚和拉丁美洲供应链区投产，2026年的目标是覆盖所有供应区，中东和非洲是下一站。
一个容易被忽略的细节是：这场实践的开端并不在AWS官方博客里，而在迪卡侬数据团队自己发起的一场公共基准测试。他们在Medium上发布了详细的技术分析，公开了模型对比代码和结果。这种开放姿态在大型零售商中并不多见——它暗示着迪卡侬试图将自己在TSFM应用上的探索转化为行业影响力，甚至可能推动供应链技术人才的招聘和合作伙伴生态的构建。
从一双跑鞋到一个120M参数的Transformer模型，中间隔着的可能是整个行业对AI落地方式的重新理解。迪卡侬用每周3美分的成本证明了一个正在变成商业基本假设的判断：当基础模型足够好时，从零训练不再值得。这不是一个技术决策，这是一条正在改写的竞争规则。
快报