TimeOmni-1：利用时间序列激励大型语言模型进行复杂推理
机器学习
2026-04-22 v3 人工智能
摘要
多模态时间序列学习的最新进展凸显了从以基础模式为中心的分析向高级时间序列理解与推理的范式转变。然而，现有的多模态时间序列数据集大多停留在表层对齐与问答层面，未达到真正推理的深度。缺乏真正需要时间序列推理的明确定义任务，以及高质量数据的稀缺，限制了构建实用时间序列推理模型 (TSRMs) 的进展。为此，我们引入了时间序列推理套件 (TSR-Suite)，它将四个原子任务形式化，涵盖时间序列推理的三项基本能力：(1) 感知，通过场景理解和因果发现获取；(2) 外推，通过事件感知预测实现；(3) 决策，通过对感知和外推的深思熟虑发展而成。TSR-Suite是首个支持全面评估以及TSRMs数据流水线与训练的综合时间序列推理套件。它包含超过23K个样本，其中2.3K个通过人工引导的分层标注过程精心策划。在此基础之上，我们引入了TimeOmni-1，这是首个旨在解决需要时间序列推理的各种现实世界问题的统一推理模型。该模型分多阶段训练，集成了任务场景混合、新型奖励函数和定制优化。实验表明，TimeOmni-1在所有任务中均展现出强大的分布外泛化能力，并实现了高有效响应率。它显著提高了因果发现准确率（64.0% vs. GPT-4.1的35.9%），并在事件感知预测任务上将有效响应率比GPT-4.1提高了6%以上。
引用
@article{arxiv.2509.24803,
title = {TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models},
author = {Tong Guan and Zijie Meng and Dianqi Li and Shiyu Wang and Chao-Han Huck Yang and Qingsong Wen and Zuozhu Liu and Sabato Marco Siniscalchi and Ming Jin and Shirui Pan},
journal= {arXiv preprint arXiv:2509.24803},
year = {2026}
}
备注
Accepted by the 14th International Conference on Learning Representations (ICLR 2026)