面向指令条件化时序任务的基础模型

通过对演示而非更新模型参数来实现推理时的任务适应称为“情境学习”(in-context learning, ICL)。虽然最近的时序基础模型包含情境条件化、检索或基于示例的提示，但通常依赖隐式位置结构或特定任务目标，而非显式的指令条件化输入输出演示。我们引入 iAmTime，一个通过指令条件化 amortization 元学习训练的时序基础模型，直接从示例演示推断任务。iAmTime 将每个 episode 作为结构化提示（包含历史背景和未来已知变量），使用专用语义 token 进行时序区域注意，跨演示交换信息，并将任务信息注入查询表示。该模型由分层多范围 Transformer 编码器组成，后者捕捉时序和协变量动态，同时从 demonstrated 输入输出映射中推断潜在任务结构；以及任务条件化 patch 解码器，通过专家路由进行解码适配。我们在大规模真实和合成语料库上进行训练，采用监督和自监督指令条件化任务，包括预测、插值、重建、分类、异常检测和源分混。跨越多样化的领域、频率和时间范围，iAmTime 在概率和点预测基准测试中显著优于强大的时序基础模型，零样本适应性能提升；在分类等非预测任务上实现竞争性能。