TimeRLM：递归语言模型实现长上下文时间序列中的精确异常定位

长上下文时间序列上的精确异常定位是临床护理、工业运营、金融服务和物流等领域监控应用的一项关键任务，在这些应用中，简短的证据可能隐藏在长跨度的高频数据中。时间序列语言模型（TSLM）能够摄取时间序列数据并用自然语言表达异常发现；然而，最近的基准测试报告显示，长上下文中的检索性能有所下降，反映了文本、视觉和音频中的失败模式。在文本域中，递归语言模型 (RLM) 可以通过将上下文保留在 大语言模型 (LLM) 外部来恢复大部分性能损失，从而允许模型通过代码对其进行查询。我们提出了 TimeRLM，这是一种用于时间序列的 RLM 公式，它使用代码和视觉功能顺序操纵信号。我们进一步介绍了 AnomalyXL，这是一种合成的长上下文异常定位基准，其中包含需要精确检索的以编程方式注入的异常。我们实现了五种不同的任务类别和两种变体：AnomalyXL-MCQ 和 AnomalyXL-Localize。 TimeRLM 在五个 AnomalyXL-Localize 任务中的四个上优于每个评估的 TSLM 和单通道基线，在定位上达到 0.682 IoU，在证据分类上达到 0.745，而所有基线的 IoU 最多为 0.329 和 0.072。我们使用强化学习对 TimeRLM 进行后训练。由此产生的模型进一步提高了性能，并且需要大约三分之一的代理交互次数来产生最终答案。在看不见的真实世界心电图、睡眠和软件可观测性记录中，训练后的 TimeRLM 保留或提高了性能，尽管专门针对合成数据进行了训练，但仍超越了 TSLM。我们的研究结果表明，与时间序列的递归交互是长范围检索的有效方法。