arXiv cs.CL· Xin Qiu, Junlong Tong, Wei Zhang, Xiaoyu Shen·· 12 小时前AI 评分34
Perceive、Solve、Reason：时间序列 LLM 的渐进式能力形成
Perceive, Solve, Reason: Progressive Capability Formation in Time Series-LLMs
AI 导读
研究者构建首个覆盖 Perceive、Solve、Reason 三类渐进能力的时间序列 LLM 训练评测套件，含 337K 训练样本与 44K 评估样本。专用编码器是关键：4B 模型在全部感知属性上超过 GPT-4o，而将序列文本化会使推理准确率下降 8–10 分。
正文 · AI 翻译
摘要：大型语言模型（LLM）如今能够感知、描述并推理图像和音频，但时间序列理解仍被低估：大多数工作将 LLM 用作预测器和分类器，推理研究少而窄，且尚无一套套件能够训练和评估全部能力。本文构建了首个此类套件，包含 337K 训练样本和 44K 评估样本，覆盖感知（Perceive）、求解（Solve）和推理（Reason）三项递进能力，并用它来探究时间序列应以何种方式、以何种顺序进入一个必须掌握这三项能力的 LLM。我们发现专用编码器至关重要：使用编码器时，4B 模型在我们测试的每一项感知属性上都超过 GPT-4o，而将序列文本化会使推理准确率损失 8--10 个点。这些能力随后层层递进：按顺序学习它们优于混合相同数据，并可媲美使用三倍以上推理数据仅做推理训练的效果，但前提是使用编码器。分析进一步揭示，能力是通过不同的网络深度传递的，而非简单堆叠；并且，一个在其自身基准上收敛的阶段未必已为下一阶段做好准备。将这些发现提炼为简单配方后，所得 4B TS-LLM 在没有任何目标领域数据的情况下，在八项域外指标中的七项上优于四个近期的 7B TS-LLM，最高领先 11 个点。因此，我们主张将时间序列视为 LLM 的一等模态，通过专用编码器读取，并先教其感知、再教其推理。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.23521 [cs.CL] |
| （或 arXiv:2610.23521v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23521 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xin Qiu [查看邮箱]
[v1]
2026年10月16日星期五 14:23:23 UTC（2,723 KB）
来源：arXiv cs.CL · arxiv.org