Autoregresyjny generator sekwencyjny z mechanizmem Self-Attention
Model inspirowany architekturą Transformer, generujący liczby sekwencyjnie jak model językowy generuje słowa. Każda kolejna przewidywana liczba zależy od poprzednio wygenerowanych, co pozwala modelować złożone zależności wewnątrz zestawu. Encoder przetwarza bogate dane wejściowe na reprezentację wektorową, a Decoder z Self-Attention generuje liczby krok po kroku z dynamicznym maskowaniem wybranych już wartości. Monte Carlo Sampling pozwala na analizę wielu wariantów predykcji. Średni czas predykcji: 0.45s.
Porównanie prognoz modelu z rzeczywistymi wynikami losowań
| Data | Prognoza modelu | Wynik losowania | Trafienia |
|---|---|---|---|
| 2026-07-28 dziś | — | Oczekiwanie na losowanie | |
| 2026-07-25 | — |
1
9
16
24
28
34
|
— |
| 2026-07-23 | — |
5
9
18
19
22
43
|
— |
| 2026-07-21 | — |
4
16
23
27
29
33
|
— |
| 2026-07-07 | — |
5
7
25
35
38
44
|
— |
| 2026-07-04 | — |
11
13
26
30
36
49
|
— |
| 2026-07-02 | — |
8
10
11
23
30
34
|
— |
| 2026-06-30 |
2
3
5
7
11
28
|
3
13
26
36
37
49
|
1/6 |
| 2026-06-27 |
4
6
11
20
27
30
|
Brak danych | — |
| 2026-06-25 |
1
2
5
9
21
36
|
Brak danych | — |
| 2026-06-23 | — |
3
7
8
10
28
33
|
— |
| 2026-06-20 | — |
2
8
35
38
41
45
|
— |
| 2026-06-18 |
4
5
16
17
30
32
|
3
14
15
22
26
40
|
0/6 |
| 2026-06-16 | — |
7
25
30
36
37
39
|
— |
| 2026-06-11 |
11
12
15
20
34
38
|
7
14
18
31
34
39
|
1/6 |
| 2026-06-09 |
1
2
4
13
16
21
|
Brak danych | — |
Szczegółowy opis działania, parametrów i zastosowań algorytmu
Autoregressive Sequence Generator to architektura inspirowana modelami językowymi typu Transformer, adaptowana do generacji zbiorów liczbowych. Model traktuje generowanie zestawu liczb jak tłumaczenie sekwencji - Encoder koduje kontekst (dane historyczne i real-time), a Decoder generuje liczby jedna po drugiej, gdzie każda kolejna liczba jest warunkowana poprzednio wygenerowanymi. Mechanizm Self-Attention pozwala modelowi "widzieć" zależności między już wygenerowanymi liczbami. Dynamiczne maskowanie (Dynamic Masking) eliminuje możliwość powtórzeń poprzez zerowanie prawdopodobieństw dla już wybranych liczb.
Sekwencyjne generowanie z uwzględnieniem zależności międzyliczbowych poprawia wyniki względem metod niezależnych. Monte Carlo z 1000 próbek pozwala na identyfikację najbardziej stabilnych predykcji. Najlepszy wynik historyczny: 4 trafienia z 6 (osiągnięty 3-krotnie w ciągu testów). Entropia predykcji: 4.2 bits (dobrze skalibrowana niepewność).
Sprawdź nasze pozostałe modele AI lub wróć do strony głównej, aby zobaczyć aktualne prognozy.