LLaTiSA：迈向从视觉感知到语义的难度分层时间序列推理

对时间序列的全面理解对大语言模型（LLM）而言仍是一项重大挑战。当前研究受制于碎片化的任务定义和存在固有歧义的基准，阻碍了严格评估与统一时间序列推理模型（TSRM）的发展。为弥合这一空白，我们通过一个认知复杂度递增的四层分类法对时间序列推理（TSR）进行形式化。我们提出HiTSR，一个分层时间序列推理数据集，包含83k样本，涵盖多样的任务组合与经验证的思维链（CoT）轨迹。利用HiTSR，我们提出LLaTiSA，一个强大的TSRM，它将可视化模式与精度校准的数值表相结合，以增强视觉语言模型（VLM）的时间感知。通过多阶段课程微调策略，LLaTiSA取得卓越性能，并在多样的TSR任务与真实场景中展现出稳健的分布外泛化。代码已发布于 https://github.com/RainingNovember/LLaTiSA。