清华大学联手字节跳动发布ChatTS时序多模态大模型
发布时间：2025-05-23 11:24:52 | 责任编辑：张毅 | 浏览量：7 次
在多模态大语言模型（MLLM）迅速发展的浪潮中，字节跳动与清华大学近日联合发布了名为 ChatTS 的新型时序多模态大模型。ChatTS 的推出不仅为时序数据的处理与推理注入了新活力，也填补了当前市场在这一领域的空白。该模型的开发旨在提升 AI 在时序数据问答与推理中的应用能力，尤其在 AIOps 与金融等需要处理复杂时序数据的场景中显得尤为重要。
本次研究的主要作者是清华大学的三年级博士生谢哲，合作团队还包括来自字节跳动的李则言和何晓，指导教师则是字节跳动的研究科学家张铁赢和清华大学计算机系副教授裴丹。ChatTS 的核心优势在于其原生支持多变量时序问答与推理功能，解决了以往模型在处理时序数据时的局限性。
时序数据分析一直以来依赖于传统的统计模型或 AI 模型，这些模型通常需要大量特定数据的训练和复杂的预处理。这使得通用性和可解释性成为其主要短板。而 ChatTS 的出现正是为了改变这一现状，利用其强大的语言建模能力来实现对时序数据的自然语言理解。
为了应对时序与语言之间的匹配困难，研究团队采用了 “纯合成驱动” 的方式，设计了一套端到端的数据生成与模型训练框架。通过构建 “属性驱动” 的时序生成体系，ChatTS 能生成多样化且真实的时序数据，同时确保与自然语言描述的准确对应。
在具体的应用中，ChatTS 能够分析多变量时序的形态，识别未见过的波动模式，并能自动进行命名。此外，模型还可以在没有精确提示的情况下，准确提取时序数据中的异常波动，展现了其强大的灵活性和智能化特征。
这一创新模型的发布，将大大推动时序数据在各行业中的应用，未来可能在故障诊断、金融分析等领域发挥重要作用。ChatTS 的研究成果已被顶级数据库会议 VLDB2025接受，展现了其学术价值和实际应用前景。
字节跳动与清华大学合作推出了时序多模态大模型ChatTS，这是一款原生支持多变量时序问答与推理的多模态大语言模型（MLLM），旨在提升AI在时序数据问答与推理中的应用能力。
研发背景
近年来，多模态大语言模型在图像、视频、音频等领域取得了突破性成果，但在时间序列数据与大模型结合的研究方面相对匮乏。现有的时序任务研究大多局限于预测类任务，无法满足更复杂的理解与推理需求。随着大语言模型在AIOps、金融等需要处理时序数据的应用场景中应用愈发广泛，时序问答与推理能力已成为多模态智能系统的一项基础能力需求。
模型特点
-
原生多模态设计：ChatTS基于Qwen2.5-14B-Instruct设计了一个时间序列原生感知的输入结构，时间序列被切分为小patch，并用轻量级MLP编码，嵌入到原始文本上下文中。
-
数值保值归一化机制：为了保留原始数值的重要性，ChatTS设计了“数值保值归一化机制”，在对序列进行0-1归一化时，同时将归一化参数以文本形式保留进prompt。
-
合成数据驱动：为解决时序与语言对齐数据匮乏的问题，ChatTS采用“纯合成驱动”的方式，设计了一套端到端的数据生成与模型训练框架。通过“属性驱动”的时序生成体系，ChatTS能够生成多样化且真实的时序数据，并确保与自然语言描述的准确对应。
应用场景
ChatTS能够分析多变量时序的形态，识别未见过的波动模式，并基于自己的理解进行命名。此外，它还能在没有精确提示的情况下，准确提取时序数据中的异常波动。ChatTS的应用场景非常灵活，未来可能在故障诊断、金融分析等领域发挥重要作用。
评估与展望
ChatTS在多个数据集上的表现优异，其在对齐任务和推理任务上的性能均大幅超越现有基线方法。例如，在分类任务中，F1分数提升了46%-75%，数值任务的相对准确率提升了超过80%。未来，ChatTS有望拓展至更高阶的任务，如因果推理、根因分析，甚至结合外部知识库与专家规则，实现更强的决策支持能力。
ChatTS的研究成果已被顶级数据库会议VLDB 2025接受，展现了其学术价值和实际应用前景。
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
上一篇： ai翻译中文是什么意思呀？
