arXiv cs.AI· Yuchen Jiao, Miao Zhang, Yuxuan Liu, Chengxi Li·· 3 天前AI 评分32
ChronoScribe：面向指令驱动时间序列预测的语义-数值分工架构
ChronoScribe: Semantic-Numerical Specialization for Instruction-Driven Time Series Forecasting
AI 导读
ChronoScribe 用语义-数值分工架构做指令驱动的时间序列预测：LoRA 微调的 LLM 负责解析指令、提出执行路径与上下文长度，冻结的 TSFM 负责生成分位数预测轨迹，LLM 不生成也不修改预测值。
正文 · AI 翻译
摘要：指令驱动时间序列预测的最新进展凸显了一个根本性矛盾：系统必须同时掌握自然语言指令遵循和精确数值预测。当前方法往往被迫做出妥协。大语言模型（LLM）能够理解非结构化请求，但在被要求直接生成预测值时可能不够准确；而时间序列基础模型（TSFM）能提供数值预测，但通常需要指定目标序列、上下文窗口和预测范围的结构化输入。我们提出 ChronoScribe，将语义-数值专业化应用于这一工作流程。一个经 LoRA 适配的 LLM 提出执行路径和上下文长度；确定性规则解析出可执行配置。在专家路径上，一个冻结的 TSFM 为任务指定的预测范围生成分位数轨迹。确定性轨迹摘要为响应提供条件，而 LLM 既不生成也不修改预测值。我们在 23 个评估维度和 30 个公开数据集上，对 Qwen3.5-9B--Chronos-2 实现与十一个专有直接 LLM 和三个开源 TSFM 进行了评估。在所有评估系统（包括固定上下文对照组）中，ChronoScribe 在 sMAPE、MASE、WAPE、RMSE 和 MAE 上误差最低。在这些指标上，即使是最低的直接 LLM 误差也仍是相应 ChronoScribe 误差的 2.0--2.7 倍。在系统层面，ChronoScribe 的任务级得分（TLS）为 65.5，比最强的直接 LLM 基线高出 10.6 分。结果支持 ChronoScribe 的分工方式，即 LLM 负责解释、配置和沟通，而 TSFM 负责数值预测。
| 评论： | 9 页，7 幅图 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.16345 [cs.AI] |
| （或 arXiv:2610.16345v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16345 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Yuchen Jiao [查看邮箱]
[v1]
2026年10月12日星期一 08:03:26 UTC（1,657 KB）
来源：arXiv cs.AI · arxiv.org