本文目录导读：
这个问题需要拆开来看，因为开源社区对大数据模型（这里主要指深度学习/大模型）和传统预测方法的态度并不是铁板一块，取决于具体任务、数据规模和社区文化,下面分几个层面来说。
总体上：不是简单认为“更准”，而是“看场景”
开源社区里比较主流的共识大致是：
- 数据量大、模式复杂、非线性强的任务（如图像、语音、NLP、推荐、部分时序预测），大数据模型/深度学习通常确实比传统方法更准。
- 数据量小、结构化强、可解释性要求高的任务（如金融风控、医疗统计、流行病学、部分工业预测），传统方法（ARIMA、线性回归、XGBoost、随机森林等）往往仍然有竞争力,甚至更好。
- 很多开源项目的实际做法是两者结合,而不是二选一。
所以更准确的说法是：开源社区认为大数据模型在特定条件下更准，而不是普遍更准。
支持“大模型更准”的典型证据
在开源生态里,有几类项目确实推动了这种认知：
- 时序预测：像 Informer、Autoformer、PatchTST、TimesNet 等模型，在长序列、多变量、复杂周期任务上，论文和 benchmark 常显示优于 ARIMA/Prophet。
- NLP/视觉：Transformer 系列、扩散模型等,传统方法基本无法竞争。
- Kaggle 等竞赛社区：近年大量冠军方案是深度模型 + 集成，传统方法多作为特征工程或 baseline。
这些项目的 README、论文和 benchmark 确实给人一种“大模型更强”的印象。
反对或修正这种印象的声音
开源社区里也有大量反例和批评：
- M 系列论文（如 Makridakis 竞赛）：多次显示传统统计方法在部分时序任务上仍不输甚至优于复杂 ML。
- “Do we really need deep learning for time series forecasting?” 这类论文指出，很多深度学习模型在标准数据集上并不显著优于简单 baseline。
- 数据泄漏与 benchmark 问题：不少开源模型的“更准”被质疑来自数据划分、调参不公平或测试集泄漏。
- 可解释性与工程成本：传统方法训练快、可解释、易部署,很多生产系统仍首选。
- 小样本场景：深度学习容易过拟合,传统方法更稳健。
按任务类型看更清楚
| 任务类型 | 开源社区主流看法 |
|---|---|
| 图像/语音/NLP | 大模型明显更准 |
| 推荐/广告 | 深度模型通常更准 |
| 长时序、多变量预测 | 深度模型有优势，但争议大 |
| 短时序、单变量 | 传统方法常不输 |
| 表格数据 | XGBoost/LightGBM 仍常胜深度学习 |
| 小样本/高解释性 | 传统方法更受青睐 |
开源项目并没有统一认为“大数据模型一定比传统预测更准”。
更准确的总结是：
- 在复杂、高维、大数据量场景下,开源社区普遍认为大模型更准；
- 在小数据、结构化、可解释性要求高场景下,传统方法仍被广泛使用和认可；
- 很多成熟开源项目采取混合策略：传统方法做 baseline/特征，大模型做主力,最后集成。
与其说“开源认为大模型更准”，不如说开源社区更倾向于“用实验和 benchmark 说话，按场景选方法”。
