TEMPO：用离散token化让LLM理解时间序列
热点事件观察中
TEMPO：用离散token化让LLM理解时间序列
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Riccardo Maggioni 等人在 arXiv 发布 TEMPO 方法，用基于 finite scalar quantization 的上下文感知 Transformer tokenizer 将时间序列编码为 625 个离散 code 并入 LLM 词表，再配合 DoRA 适配器微调，使 LLM 能直接处理时间序列任务。该方法在第二届 ICML 结构化数据基础模型研讨会（FMSD）上展示。 基于 Qwen3-4B 并针对各任务微调后，TEMPO 在活动识别、睡眠分期和轴承故障诊断上分别取得 macro-F1 89.0%、85.0% 和 86.0%，并支持时间序列问答。
AI 根据报道生成 · 11 小时前更新
最新进展11月3日 16:13
TEMPO：通过离散 tokenization 实现时间序列理解报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.CLTEMPO：通过离散 tokenization 实现时间序列理解
TEMPO 通过基于 finite scalar quantization 的上下文感知 Transformer tokenizer，将时间序列编码为 625-code 的离散 token 扩展 LLM 词表，并配合 DoRA 适配器微调。基于 Qwen3-4B 的版本在活动识别、睡眠分期和轴承故障诊断上分别取得 macro-F1 89.0%、85.0% 和 86.0%，并支持时间序列问答。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 411月5日 03:00
- 近 24 小时变化
- –
01234
04:0006:0008:0010:0012:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。