Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Модель научили непрерывно читать поток временных рядов, помнить события за пределами текущего окна и отвечать только тогда, когда срабатывает условие. TimeOmni-Live набрала 90,0 балла против 79,3 у Opus 5 на тесте с тем же распределением данных, что и при обучении; препринт не рецензирован, а числа получили сами авторы. Для систем мониторинга это меняет объект проектирования: вместо независимых вызовов модели можно рассматривать один долгоживущий процесс с состоянием.
Проверка требует помнить события, а не только замечать их
Обычная модель временных рядов получает ограниченное окно, строит прогноз или классифицирует сигнал и завершает работу. Следующее окно она обрабатывает как новую задачу. Такой режим подходит для пакетного анализа, но теряет контекст между окнами: прошлый максимум, число уже найденных событий или правило, которое оператор изменил посреди потока.
В режиме Continuous & Live Time Series Understanding поток не имеет заранее заданного конца. Модель поддерживает состояние, решает, нужно ли отвечать на очередном шаге, и принимает новые запросы или правила без перезапуска. Молчание здесь тоже считается действием: система не должна создавать сообщение на каждом фрагменте данных.
Для проверки авторы собрали LiveTS-Suite: 18 задач, объединённых в шесть групп. Они идут от простого пересечения порога до отслеживания последовательностей событий, поиска повторившейся формы сигнала, смены правил на ходу и накопления слабых отклонений на длинном интервале. В набор вошло более 5 тыс. потоков общей длиной 2,2 млрд временных шагов.
Данные создавали тремя способами: генерировали синтетические сигналы, внедряли контролируемые события в реальные фоновые ряды и выравнивали исходные метки реальных наборов. Эксперты проверили шаблоны задач и выборку готовых потоков.
Итоговая оценка перемножает точность момента ответа и точность его содержания. Поэтому модель теряет баллы как за пропущенное или преждевременное срабатывание, так и за правильный сигнал с неверным счётчиком, временем или типом события. Для потоковой системы это полезнее обычной оценки ответа без учёта задержки.
Память хранит и исходные свидетельства, и состояние задачи
TimeOmni-Live работает циклом «прочитать — решить — повторить». На каждом шаге она получает очередной фрагмент ряда вместе с накопленным контекстом, после чего либо молчит, либо формирует ответ. Основой служит Qwen3.5-4B, дополненный кодировщиком временных рядов, постоянной памятью и планировщиком обработки потока.
Гибридное кодирование позволяет передавать модели сам временной сигнал, а не только его текстовое описание или вычисленные заранее признаки. Это важно для задач, где решение зависит от формы волны, локального тренда или сочетания нескольких свойств сигнала.
Память разделяет две потребности. Система сохраняет точные исторические свидетельства, к которым придётся вернуться позже, и более компактное состояние задачи: активные правила, счётчики, найденные события и промежуточные итоги. Так модели не нужно каждый раз перечитывать весь поток, но она может сравнить новое наблюдение с далёким прошлым.
Отдельный планировщик согласует поступление данных с генерацией ответа. Пока модель формулирует сообщение, новые фрагменты попадают в буфер, а затем обрабатываются по порядку. Эластичный режим ускоряет разбор очереди после пиков нагрузки, а раннее обновление памяти уменьшает остановки на границах окон.
Пилот стоит строить вокруг состояния и хвостовой задержки
На H100 модель обрабатывала на 99,3% меньше входных токенов, чем потоковый запуск исходной Qwen3.5-4B, а задержка в медленном хвосте распределения оказалась ниже в 206 раз. Это следствие не только меньшего контекста: система обновляет память отдельно и не заставляет базовую модель заново читать всю историю.
На Jetson AGX Orin TimeOmni-Live получила коэффициент реального времени 0,358. Такой результат означает, что средняя обработка шла быстрее поступления данных. Проверка охватывала 54 потока из Real Test и проходила без квантования модели.
Работа меняет планы команд, которые собирались подавать в LLM независимые окна и самостоятельно склеивать ответы. Для пилота разумнее выделить постоянное состояние задачи, журнал точных событий и отдельную очередь входящих фрагментов. В нагрузочном тесте придётся измерять не только среднюю скорость, но и накопление очереди после генерации длинного ответа.
Границы результатов задаёт сам LiveTS-Suite. Он широко покрывает типы памяти и потокового поведения, но сочетает синтетические сигналы, внедрённые события и размеченные реальные ряды. Периферийный тест воспроизводил выбранные потоки с фиксированной скоростью, поэтому перед внедрением остаётся проверить собственную частоту данных, правила тревог и длительность непрерывной работы.
TimeOmni-Live пока лучше воспринимать как архитектурный ориентир, а не готовую замену промышленному обработчику событий. Главный практический результат работы — модель временных рядов можно проектировать как постоянно работающий процесс: она хранит историю, обновляет правила и не перечитывает весь поток при каждом решении.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
