TEMPO模型通过离散分词化实现时间序列理解
热点事件持续更新
TEMPO模型通过离散分词化实现时间序列理解
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
TEMPO模型通过有限标量量化技术扩展大语言模型（LLM）词汇表，利用冻结的Tokenizer将四步补丁映射至625码本，结合Qwen3-4B骨干模型实现时间序列理解。 在任务特定微调后，TEMPO在活动识别、睡眠分期和轴承故障诊断任务中分别取得89.0%、85.0%和86.0%的宏观F1分数，证明了离散词汇扩展在整合信号表示与文本语境方面的效用。
AI 根据报道生成 · 1 小时前更新
最新进展11月4日 13:00
TEMPO：基于离散分词化实现时间序列理解报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv · NLPTEMPO：基于离散分词化实现时间序列理解
TEMPO 通过有限标量量化扩展 LLM 词汇表，利用冻结的 Tokenizer 将四步补丁映射至 625 码本，结合 Qwen3-4B 骨干模型实现时间序列理解。 在任务特定微调后，TEMPO 在活动识别、睡眠分期和轴承故障诊断中分别取得 89.0%、85.0% 和 86.0% 的宏观 F1 分数。 该方法证明了离散词汇扩展在整合信号表示与文本语境方面的效用。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。