重新思考多模态时间序列预测的后训练配方
机器学习
2026-05-29 v1
摘要
时间序列基础模型（TSFMs）在使用数值数据进行零样本单模态预测方面表现出色，但与大语言模型（LLM）不同，它们无法消耗常常塑造真实世界轨迹的多模态、非数值上下文。本文弥合这一差距，提出一种后训练方法，使 LLM 能作为强数值 TSFM 先验的上下文引导修订器。我们引入 PostTime，一种结合监督微调（SFT）和可验证奖励强化学习（RLVR）的后训练配方，以及一种用于生成预测修订自动推理痕迹的方法论。PostTime 教会 LLM 生成由多模态上下文条件化的预测干预——即根据多模态上下文决定修订、保留或忽略 TSFM 先验。我们在 TimesX 多模态预测基准上进行评估，使用 Gemma-3-4B LLM 和 TimesFM-2.5 TSFM，结果表明该方法显著优于独立的 TSFMs、仅基于 LLM 的基线以及现有的多模态预测方法。
引用
@article{arxiv.2605.29401,
title = {Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting},
author = {Haoxin Liu and Yichen Zhou and Rajat Sen and B. Aditya Prakash and Abhimanyu Das},
journal= {arXiv preprint arXiv:2605.29401},
year = {2026}
}