从一致性到互补性：用于时间序列理解与推理的对齐且解耦的多模态学习

多模态大语言模型（MLLMs）推动了时间序列理解与推理任务的发展，支持通过自然语言查询生成复杂时序动态的文本分析。尽管近期研究尝试融合数值序列与其可视化图表，但细粒度时序错位及语义纠缠仍阻碍了有效的局部解释与互补推理。为此，本文提出 MADI 模型，引入细粒度对齐与解耦交互机制：包括强制异构模态间物理对应关系的补丁级对齐、分离共性语义并协同独特信息的离散解耦交互，以及突出关键查询信号的临界令牌高亮策略。实验表明，MADI 在合成与真实基准测试中均优于通用及专用模型。