基础模型
AlphaMind 预测引擎
只在价格数据上训练的 decoder-only Transformer。它逐根 K 线分析图表，返回未来价格的概率分布，包含多种可能的走势。
怎么运作
走一遍引擎
这张图跟着一次请求走，周期就是你当前看的周期。最近的历史 K 线作为序列输入，模型一步一步生成后续走势，采样出的多条路径最后汇成一个区间。
序列输入
离散编码
每根 K 线、每次价格变动，都压缩成模型能处理的 token。
解码器
Transformer 像处理一句话一样处理这串 token。
概率路径
对未来走势采样，整理成概率分位。
p(x̂t+1:t+H | xt−499:t) = ∏i p(zi | z<i; θ)
把 K 线变成未来可能走势的算法。
500
作为序列输入的历史 K 线数
20
向前预测的 K 线数，一次一根
q.05 / q.95
采样路径汇成的区间
~10s
发起请求到拿到完整文字分析
输出
引擎返回什么
预测要有用，得能照着执行，也得能被证伪。引擎返回四样东西，第四样多数系统都省掉了。
一个方向，附带置信度
方向是一种倾向，附带一个数字，表示采样路径之间有多一致。
一个区间
采样路径按分位数汇总，区间的宽度就是模型的把握程度。行情越乱，区间越宽。
路径推出的关键价位
中位路径和图上已有结构的交点。这些交点是平台其他功能用的目标位和止损候选。
判断失效的价位
每次预测都标明失效价位。能被证伪，分析才有价值。
它看不到什么
引擎只看价格。新闻、持仓和情绪在它的视野之外，这些信息在预测转成文字的环节才加进来。这个分隔是刻意的，图表本身说的话，和人们对图表的议论，要分开。
在产品里
引擎用在哪里
三个功能用的是同一个模型，区别在于怎么使用这个分布。
引擎最直接的用法。你在图上发起分析，眼前的 K 线就是输入序列。预测返回后，平台拿它比对图上已有的结构，包括平均波幅、近期的摆动高低点、附近的整数关口，分析层再把结果写成可执行的文字。文字里提到的每个价位，都在写字之前算好了。
信号公开发布、带时间戳、持续跟踪，标准比一次分析高。趋势分析早一点仍然有用，信号早了就是错的。引擎在触发那一步介入，预测和规则条件一起权衡，发到你手上的信号，已经和模型对未来几根 K 线的判断核对过。每条信号都带入场位、止损位，以及无论结果如何都公开的历史。
MindX GPT 在引擎的输出上训练过，这一点让它区别于随手扔一张图的通用模型。它知道自己讨论的预测长什么样。屏幕上有一份分析时，你可以问区间代表什么、中位路径为什么在那里转向、什么情况下这个价位会失守，回答来自这份分析所依据的数据。
