两篇论文均聚焦于通用能力构建，代表了 ICLR 2026 中两个重要方向：Aurora 从出发，将文本、图像与时间序列联合建模，提升跨领域零样本预测能力；TimeOmni-1 则从出发，构建时序推理任务体系，并通过监督微调与强化学习激发大语言模型的时序理解、外推和决策能力。前者强调“看懂多模态上下文并预测未来”，后者强调“基于时序信息进行解释、推理与决策”。另外我整理了，感兴趣的可以dd，希望能帮

Moirai-MoE-Base拿到了全场最佳零样本性能，甚至超过了TimesFM和Chronos——后两者的预训练数据里可是包含部分评测集的。更狠的是，它甚至超过了Moirai-Base（+8%）和Moirai-Large（+7%），后两者的参数分别是它的6.5倍和22倍。所有频率走同一个入口，真正的差异化交给MoE层的专家去做。Moirai-MoE的具体配置：32个专家，每个token选Top-

时序大模型（TS Foundation Model）：是真牛还是纯忽悠？

时间序列预测，对经济规划、供应链管理及医学诊断等领域的决策起着关键作用。在深度学习领域，MLP、CNN、RNN、GNN 等基础架构早已广泛应用于解决时间序列预测问题，其中 Transformer 模型在处理长期依赖关系上表现卓越。然而，近期研究显示，简单线性层等替代方案竟能超越 Transformer。当下，时间序列预测的架构建模迎来复兴，混合模型、扩散模型、Mamba 模型和基础模型等多样化架构

本文总结了两篇关于时间序列分类与感知的前沿论文，分别应对了模态异构与带来的现实挑战。第一篇针对物理惯导（）与文本对齐不精准的问题提出了Vistar框架，创新性地使用视频作为中间桥梁，结合离线跨模态对比学习与在线检索增强生成（），赋能大语言模型对复杂传感器信号的理解与感知。第二篇针对时序学习的标签噪声难题提出DREAM，摒弃传统过滤法，从邻域和模型双重数据中心视角分离干净与噪声样本，通过循环特征插值

在分析领域，近期研究逐渐聚焦于以为基础单元的细粒度建模，以克服大型模型计算成本高、局部动态捕捉不足的挑战。本文解析的两篇ICLR 2026论文均以此为切入点：第一篇提出PaAno，通过轻量级特征编码和记忆库机制，实现了高效的异常检测；第二篇提出xCPD，将单变量Patch视为图节点，在频域中解耦并路由，显著提升了预测精度。两者分别在空间表征与频域图谱分解上展现了Patch级建模的巨大潜力。我整理了

为解决不规则多元时间序列（IMTS）“变量内时间间隔不规则”与“变量间观测不对齐”的核心挑战，研究提出超图神经网络模型HyperIMTS。该模型无需数据填充，将IMTS观测值转化为超图节点，通过时间超边与变量超边构建统一关联结构，并借助节点-超边、超边-超边、超边-节点三类消息传递，结合不规则感知相似度融合机制，自适应捕捉时间与变量依赖性。

别再拿套壳LLM的思路做时间序列了：深挖Transformer的低秩坍缩与本质算力目前行业的绝对误区是：只要把时间序列做个Token化（无论是量化还是连续Patch），然后原封不动地扔进类似LLaMA或T5的Transformer架构里暴力预训练，大力就能出奇迹。大家在狂抄文本大模型的前馈层宽度、注意力头数和网络深度，将这视为Time Series Foundation Models (TSFM)

在，整个行业一直沉迷于一种“结构执念”：为了让神经网络懂物理，大家拼命把偏微分方程（PDE）塞进模型的损失函数里（比如PINNs），或者强行修改网络架构（比如Neural ODEs）。这种做法的现实非常骨感：一旦物理公式变了，必须重新从头训练模型；且面对科学实验中极其常见的“脏数据”（缺失、多分辨率、采样不规则），这些定制化的物理模型瞬间崩盘。这说明我们一直在解决表面问题。这篇入选 ICLR 的论

ICLR 2026（第十四届国际学习表征会议）将于在举行。在此学术盛会背景下，时间序列预测领域的跨域泛化困难与固有噪声干扰成为核心挑战。本文精选：第一篇突破单模态局限，构建了首个多模态时间序列基础模型Aurora，融合图文先验知识，大幅提升零样本跨域预测精度；第二篇探究预测误差理论下界，创新提出OLMA损失函数，利用频域变换降低标签噪声的边际熵，有效缓解深度模型的频率偏置问题。两项突破性研究为更通