SenTSR-Bench：利用注入知识进行时间序列推理

时间序列诊断推理至关重要，但现有方案存在差距：通用推理大模型缺乏领域知识，而微调的时间序列模型泛化推理能力不足。为此，本文提出一种混合知识注入框架，将时间序列模型生成的洞察直接注入通用模型的推理轨迹中。此外，利用基于可验证奖励的强化学习在无监督下 eliciting 富含知识的轨迹并迁移，以高效注入知识。本文还发布了源自真实工业操作的多变量时间序列诊断推理基准 SenTSR-Bench。实验表明，该方法在多个数据集上显著优于现有模型。