云服务访问量突然增加，服务器能否稳定运行？市场价格与交易量的变化为资产管理中的风险研判提供哪些线索？连续记录的心率、血压等指标，又能否帮助发现健康状况的变化？这些问题都需要分析相关指标随时间的变化，将观测值按时间顺序组织起来，就形成了时间序列。大语言模型与多模态模型能够理解文字、分析图像和辅助推理，但理解一段描述或读懂一张曲线图，并不意味着能准确预测未来的数值变化。时序分析还需把握变化的先后关系、周期规律与突发波动，并将背景信息与具体时刻对应起来。如何让模型在不同场景下稳定地完成这些任务，仍是人工智能走向实际应用的重要挑战。
围绕这一挑战，上海科技大学信息科学与技术学院任侃教授课题组从基础模型、多模态建模和智能体（Agent）三个方向开展系列研究，探索让人工智能更好地适应不同数据、结合背景信息，并主动组织分析过程，提出时间序列基础模型Kairos和大模型智能体KairosAgent、多模态生成模型GenTS、反事实预测框架TADiff以及生成建模基准ConTSG-Bench。相关论文获NeurIPS 2026、ICML 2026、ACM MM 2026、EMNLP 2026 等人工智能国际学术会议录用，有望为金融资产管理与医疗健康等领域的智能分析与数据科学提供新的基础工具、创新方法与评测基准。
基础模型：让预测能力适应更多场景
真实世界的变化方式千差万别。如何在不同数据和场景之间保持有效的预测能力，是时序基础模型面临的重要挑战。课题组提出的面向通用时间序列数据场景的基础模型Kairos，能够根据不同数据的变化特点调整建模方式，更好地适应多样的预测场景，并以较少参数量实现了更好的参数-效果的权衡。在公开预测基准上，Kairos 以较少的模型参数取得了有竞争力的预测表现，展示了提高模型效率的一条可行路径。研究成果以“Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models”为题，被 The 40th Annual Conference on Neural Information Processing Systems（NeurIPS 2026）正式接收。上海科技大学为论文第一完成单位，信息学院2025级硕士研究生冯坤、2024级硕士研究生兰少成、蚂蚁集团算法工程师房宇辰为论文共同第一作者，任侃教授为通讯作者。
图1｜Kairos 以较小的模型规模取得有竞争力的预测表现，并根据数据的变化特点调整建模方式。
这一研究的应用价值在于探索如何降低通用预测能力的使用门槛，如为金融市场变化分析和生理指标趋势预测提供基础工具，降低相关研究与应用的成本等。截至2026年10月7日，Kairos 系列模型在 Hugging Face 平台累计下载39,735次。Salesforce研究团队在其基础模型Moirai 2.0的一项对比评测发现，Kairos-50M在所比较的基线模型中预测速度最快；来自麻省理工学院、艾伦人工智能研究所等机构在其基础模型Reverso的训练数据构建中则参考了团队提出的数据生成方法。这些使用与评价，体现了该工作在模型效率和研究方法方面的参考价值。
项目主页：https://mldi.group/Kairos
多模态建模：让数据与现实背景联系起来
历史曲线能够反映过去，却未必包含影响未来的全部信息。将数值与文字等不同形式的信息结合起来，就是多模态建模。它使人们能够用更自然的方式表达需求，也让模型有机会利用曲线之外的背景信息。课题组提出的多模态统一生成式建模框架GenTS，将时序的预测、生成和编辑三大任务纳入统一的建模框架。针对时序数据往往缺少配套文字说明的问题，本研究还设计了自动描述方法，将趋势、周期和波动等特征转化为文本，为多模态学习提供支持。这种能力有望为数据不足、场景难以完整采集等问题提供了新的研究思路。如在医疗健康研究中，可以探索按照不同变化特征生成模拟的生理指标序列，为健康监测方法的开发与评估提供补充数据，帮助研究人员检验模型在不同情况下的表现。研究成果以“GenTS: Unified Generative Modeling for Multimodal Time Series Analysis”为题，被 The 34th ACM International Conference on Multimedia（ACM MM 2026）正式接收。上海科技大学为论文第一完成单位，信息学院2024级博士研究生顾书齐为论文第一作者，任侃教授为通讯作者。
图2｜GenTS 将三类任务纳入统一框架：根据历史信息预测未来，按照文本要求生成数据，以及根据新要求编辑已有数据。蓝色表示已知序列，绿色表示文本条件，黄色表示待生成序列。
另一项研究提出了反事实预测框架TADiff，进一步关注“如果条件发生变化，未来可能怎样”。用户可以通过自然语言描述假设事件，模型据此探索不同条件下的时序走势。如在医疗服务规划中，可以结合历史就诊量，用自然语言描述流感高发、节假日就诊安排变化等假设情境，探索不同条件下的就诊需求走势。这类能力有望帮助医疗机构提前研判服务需求，为人员安排与医疗资源配置提供参考。成果以“What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions”为题，被 The 43rd International Conference on Machine Learning（ICML 2026）正式接收。上海科技大学为论文第一完成单位，信息学院2024级博士研究生顾书齐为论文第一作者，任侃教授为通讯作者。
图3｜相同的历史交通数据，在不同事件条件下可能对应不同的未来。TADiff 探索用自然语言描述假设情境，并据此开展预测。图为论文中的任务示意。
项目主页：https://seqml.github.io/TADiff
能力拓展的同时，也需要建立检验依据。课题组推出的ConTSG-Bench，系统评估生成的时间序列是否符合数据规律、是否满足指定条件，以及能否支持后续任务。通过揭示现有方法在精细控制等方面的不足，这项研究为模型改进和应用选择提供了参考。研究成果以“ConTSG-Bench: A Unified Benchmark for Conditional Time Series Generation”为题，被 The 43rd International Conference on Machine Learning（ICML 2026）正式接收。上海科技大学为论文第一完成单位，信息学院2024级硕士研究生兰少成为论文第一作者，任侃教授为通讯作者。
图4｜用户既可以描述曲线的趋势和形态，也可以给出天气等现实情境；条件还可以采用文本、属性或类别标签等形式。ConTSG-Bench 为检验模型是否正确遵循这些条件提供统一评测。
项目代码与数据：https://github.com/seqml/ConTSG-Bench
智能体：让模型围绕问题组织分析
在实际工作中，完成一次有价值的预测，通常需要多个步骤：观察历史规律、查找背景信息、调用分析工具，再综合不同证据形成结果。如何将这些步骤连接起来，是时序智能走向复杂应用的重要问题。课题组提出的KairosAgent，将大语言模型、多种分析工具与时序基础模型结合起来：语言模型参与理解背景和分析任务，统计工具提供关于趋势、周期和波动的数值依据，时序模型则负责预测未来。以金融资产管理中的市场分析为例，这类智能体有望结合历史价格、交易量与市场研究报告，调用工具分析变化规律，将分析结果用于后续预测，为研究人员研判市场变化与风险提供参考。团队还利用预测效果反馈改善智能体的分析过程，使工具使用与最终任务更加紧密地结合。这类智能体有望减少在多种模型和工具之间反复切换的工作，为更易使用的数据分析服务提供技术基础。研究成果以“KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning”为题，被 The 2026 Conference on Empirical Methods in Natural Language Processing（EMNLP 2026）主会正式接收。上海科技大学为论文第一完成单位，信息学院2025级硕士研究生冯坤、2026级博士研究生单子维为论文共同第一作者，任侃教授为通讯作者。
图5｜KairosAgent 连接语言推理、统计分析工具和时序预测模型：利用工具认识数据特征，再将分析结果用于预测。
项目主页：https://mldi.group/KairosAgent
AI基础模型研究：让人工智能更高效、更可靠
从医疗健康中的生理指标分析与服务需求预测，到金融资管中的风险研判、科学研究中的规律发现与假设验证，人工智能往往需要高效处理动态数据、结合背景信息可靠推理，并使分析过程可理解、可调控。围绕这些需求，任侃教授课题组在时序智能研究的基础上，进一步探索大模型机器学习、推理与内部机制等基础科学问题；同时也将大模型内部特征与可理解的概念相联系，追踪关键组件对推理结果的贡献，为解释和调控模型行为提供依据等。相关成果包括ESamp（ICML 2026）、CRM（ICLR 2026）、MICLIP（ICLR 2026）与 IPG（NeurIPS 2026），已被国际重要学术会议录用或发表。
以上这些基础研究成果体现了团队在大模型设计、能力评测、智能体优化和机制解释方面的研究积累。相关研究依托上海科技大学智能感知与人机协同教育部重点实验室，并受到上海科技大学高性能计算平台的支持。课题组持续将场景需求与基础方法创新相结合，为医疗健康、金融资管和自然科学研究等领域提供高效、可信的人工智能方法与技术支持。
沪公网安备 31011502006855号