智能AI
morning
TimeThink：在时间序列大型语言模型中引发组合推理
摘要
arXiv:2609.13457v1 Announce Type: new Abstract: Timeseries multimodal large language models (TS-MLLMs) have recently begun leveraging the reasoning capabilities of large language models (LLMs) for que...
reasoning
models
the
that
this
and
TimeThink
synthetic
language
for
2026-09-15
1 阅读
约1分钟阅读
Sudarshan Regmi, Arvind Pillai, Yu Yvonne Wu, Yuliang Chen, Bibek Panthi, Tess Z. Griffin, Michael V. Heinz, Lisa Marsch, Nicholas C. Jacobson, Andrew Campbell
字号:
arXiv:2609.13457v1 公告类型：新 摘要：Timeseries 多模态大语言模型 (TS-MLLM) 最近开始利用大语言模型 (LLM) 的推理功能来执行问答任务。然而，这些模型通常无法捕获动态时间模式，仅提供隐式推理，缺乏对医疗保健等高风险应用至关重要的底层解释。虽然基于强化学习 (RL) 的时间序列语言模型旨在解决这个问题，但它们常常达不到要求，因为它们是在狭窄的分布内数据上进行训练的，并且难以解决分布外的组合问题。为了应对这些挑战，我们提出了 TimeThink，这是一个用于引发组合时间序列推理的综合框架。核心时间序列基元（例如趋势、季节性）是与域无关的，并且可以确定性地生成。在此前提下，TimeThink 首先设计了一个合成数据生成器，可生成原子和复合问答对，提供带有推理痕迹的客观事实。在此框架的基础上，TimeThink 采用了可验证奖励的强化学习 (RLVR) 训练策略，鼓励显式推理。与依赖模板的方法不同，这种方法使模型能够学习组合的底层逻辑，而不是简单地模仿痕迹。大量实验表明，仅在合成数据上进行训练的 TimeThink 在合成基准和现实基准上都显着优于强大的基准。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱