Apple 研究团队提出 TopoPrimer，一个旨在为预测模型补上“全局拓扑上下文”的框架。作者为 Zara Zetlin、Kayhan Moharreri 与 Maria Safi，论文于 2026 年 7 月发表。该工作的核心主张是：现有预测模型通常只关注单条序列自身的历史模式，而忽略了整个序列群体在结构上的整体关系，而后者恰恰能为预测提供有价值的补充信号。
TopoPrimer 的做法是把序列群体的全局拓扑结构变成一个显式的输入。其拓扑特征按领域预先计算一次，计算过程结合了持续同调（persistent homology）与频谱层坐标（spectral sheaf coordinates）。在部署方式上，TopoPrimer 对已完整训练的模型以逐 token 的方式注入拓扑信息，而对预训练骨干模型则作为轻量级适配器使用，因而无需从零重训大模型即可获得拓扑带来的收益。
在 TopoPrimer 的两个组成部分中，层坐标是准确率提升的主要驱动因素。研究团队在 Chronos 与 TimesFM 两个骨干模型上、跨四个公开基准进行了评估，结果显示 TopoPrimer 能持续改善预测精度，其中在 ECL 数据集上 MSE 增益最高达到 7.3%。值得注意的是，这种拓扑优势在零样本与微调骨干之间保持着几乎相同的量级，说明拓扑信息与逐序列训练所捕获的信号是互补的，而非相互替代。
增益在困难场景中最为明显。在季节性需求高峰期间，传统模型与零样本模型的性能退化幅度可达 50%，而 TopoPrimer 的退化保持在 10% 以内，体现出更强的稳定性。在冷启动场景下，即物品完全没有历史数据时，TopoPrimer 相比无拓扑基线将 MAE 降低了 27%，从而缩小了冷启动差距。这些结果表明，拓扑上下文在数据稀缺或分布剧烈波动的条件下尤其有价值。
从更广的研究脉络看，该团队此前也关注过搜索系统中的冷启动与非平稳性问题（如 BayesCNS），以及医疗领域的序列动态建模（如 1 型糖尿病的胰岛素—血糖动力学预测）。TopoPrimer 延续了这一思路：通过引入具有结构意义的先验或上下文，让模型在交互数据不足或行为分布漂移时依然保持稳健。