PATRA：面向时间序列问答的模式感知对齐与平衡推理

时间序列推理既需感知复杂动态又需逻辑深度。现有基于大语言模型的方法存在局限：常将时间序列仅视为文本或图像，未能捕捉回答特定问题所需的趋势和季节性模式；且在混合难度任务训练中，简单目标往往主导学习过程，阻碍深层推理能力发展。为此，本文提出 PATRA 模型，引入模式感知机制提取趋势与季节性以实现深度对齐，并设计任务感知平衡奖励以协调不同难度任务的学习，激励生成连贯的思维链。实验表明，PATRA 在多种时间序列问答任务中优于强基线，展现了卓越的跨模态理解与推理能力。