感知与描述解耦：多元时间序列与语言的计算接地表示对齐

研究者提出CGTime，一种4B参数的时间序列-语言模型，通过确定性代码计算多元时间序列的统计特征，再让LLM对预计算结果进行语言描述，从而将感知与描述解耦。在多元时间序列理解基准上，其多变量事实评分达到0.283，优于GPT-4o-mini（0.173）和GPT-5.4-nano（0.203），并通过Holm校正显著性检验。

此前时间序列-语言对齐依赖LLM自行感知并描述序列，数据质量受限于模型感知能力，且多为单变量。CGTime通过计算处理感知、LLM负责表达，在多元任务上显著优于更大的通用模型，为时间序列多模态学习提供了新范式。

传统方法让LLM直接读取序列生成描述，导致自监督陷阱和单变量局限。CGTime用确定性代码从开源多变量序列中计算统计量，再让LLM将这些事实语言化。感知由代码完成，避免LLM感知瓶颈；表达由LLM负责，可覆盖广泛统计属性和交叉通道相关等复杂模式，从而同时实现可靠、现实、可扩展。

对依赖时间序列分析的产品（如工业监控、金融预测），CGTime能提升生成描述中数值事实的准确性和多样性，减少对大量标注数据和强感知模型的需求，降低数据成本。但需验证其在真实场景中的推理速度和4B参数部署的可行性。

• 基于CGTime开源代码，构建可本地部署的时间序列异常检测与根因分析工具，面向工业物联网客户。
• 开发将多元传感器数据自动生成自然语言报告的API，用于金融或医疗领域，提高报告效率和可读性。
• 将CGTime集成到数据标注平台，自动生成带数值事实的初始标注，辅助人工标注，降低标注成本。

• CGTime在真实产品中的推理延迟和硬件要求是否满足实时性需求？
• 基准测试的具体任务范围和数据集是否涵盖用户常见的多元时间序列场景？
• 模型对噪声数据或分布外数据的鲁棒性如何？