互补表征提升时序语言模型推理能力
Twice Upon a Time: Complementary Representations for Time-Series Reasoning
中文摘要
由模型生成 · 人工抽检论文提出互补表征设计原则，将折线图与归一化延迟嵌入两种视图结合，分别保留绝对测量与时间结构，经视觉编码器融合进语言模型。在TSRBench上准确率从44.5%提升至53.2%，显著超越专用基线36.7%，为通用时序语言模型提供有效设计思路。
全文
已译中文时间序列语言模型（TSLM）使得基于语言的时间数据理解与推理成为可能，但一个根本性问题仍然存在：其时间序列表示应当保留哪些信息，又应当剔除哪些变化？现有的TSLM通常只向语言模型暴露单一表示，从而在下游任务上施加固定的归纳偏置。我们转而引入互补表示作为时间序列推理的设计原则。我们的模型结合了两种视觉视图：折线图保留绝对测量值与观测坐标系，而归一化延迟嵌入则剔除正幅度缩放与偏移，同时暴露时间结构。专用的视觉编码器通过视觉token与多级特征融合将两种视图整合到共享的语言模型中。评估时的干预实验验证了两种视图表现出不同的不变性特征，而单视图消融实验表明，二者的组合在超越基本感知的方面尤为有益，在预测与推理上带来大幅提升。基于Qwen3-VL-8B构建，我们的双视图模型将TSRBench总体准确率从仅使用折线图时的44.5%提升至53.2%，大幅超过评估中最强的专用TSLM基线36.7%。它还在TSExam上达到89.9%的准确率，在多变量ChatTS对齐上达到86.8%的数值准确率。这些结果共同表明，互补表示为通用TSLM提供了一种有效的设计原则，使模型能够利用时间结构，同时不牺牲对原始测量坐标系的访问。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
8 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。