T-SMART：工具增强时间序列问答的机制级归因

大型语言模型 (LLM) 可能会难以应对时间序列问答 (TS-QA)，尤其是当数字信号被序列化为文本并需要显式计算时。工具增强方法可以提高性能，但现有系统通常将语言推理、计算和感知交织在一起，因此很难确定哪些组件可以带来收益。我们提出了 T-SMART，一个将这些角色分开的神经符号框架：冻结的大语言模型解释问题并选择操作，确定性工具执行数值计算，并且仅在需要时调用结构化感知。受控配对消融表明，确定性计算提供了主要优势，与序列化时间序列上的直接 LLM 推理相比，准确性提高了 31.7 个百分点，而语言理解和感知提供了较小的补充收益。这些结果表明，工具增强的 TS-QA 主要受益于可靠的数值执行，而不是额外的语言模型推理，并为分析神经符号时间序列系统中的组件贡献提供了一个受控框架。