小而可信：面向时间序列异常检测的高效视觉-语言推理

视觉-语言模型（VLM）的最新进展在许多任务上取得了令人瞩目的表现，但先前研究报道，将大型语言或多模态模型应用于在序列数据中寻找异常模式时表现并不理想。公开的异常检测基准通常提供区间标注而不提供自然语言理由，这使得难以微调VLM使其产生有依据、可解释的决策。为填补这一空白，我们构建了VisAnomBench，一个由公开时间序列数据集精选构建、并借助细粒度任务特定奖励从多个大型VLM中挑选的高质量异常解释加以增广的基准。通过在该基准上微调，我们开发了VisAnomReasoner，一个用于时间序列异常检测的参数高效VLM。在VisAnomBench上的实验结果表明，VisAnomReasoner实现了更精确的异常定位，并持续优于所有基线，精确率与F1分别至少提升21.23和23.87个百分点。在TSB-AD-U基准上的附加实验展示了强的跨基准泛化能力，VisAnomReasoner将精确率与F1分别再提升9.57和13.39个百分点。