近期，凯发k8软件研究所研究团队为提升大语言模型时间序列预测性能，提出了向量注入式上下文学习框架。该框架能够稳定提升时间序列预测性能，并可以降低计算开销。

大语言模型进行时间序列预测时面临一项主要挑战——预训练文本与时间序列数据在分布与结构上存在差异。传统方法采用全量微调来减少这种差异，但其训练成本高、显存占用大，限制了实际应用。

研究团队提出引入上下文学习的方法LVICL。该方法通过在输入提示中引入任务示例，使模型无需更新参数即可实现“类似微调”的效果。为提升上下文学习对示例选择与顺序敏感的不稳定问题，该方法提取示例的向量表示，并以置换不变的方法进行聚合，从而消除顺序敏感性；采用轻量适配器对聚合后的上下文向量进行精练，抑制其中可能干扰预测的分量，增强对示例选择的鲁棒性；将优化后的向量注入到大语言模型各层的残差流中，以可控方式引导模型进行预测。

研究团队在多个时间序列预测基准数据集上对LVICL进行系统评估。实验表明，LVICL在保持大语言模型完全冻结、训练开销降低的前提下，能够稳定复现并进一步放大上下文学习带来的收益。与轻量微调方法相比，LVICL在多种数据集与实验设置下均表现出更强的预测能力，并在效率与性能的平衡上展现出更好的实用性。

相关论文被互联网领域顶级国际学术会议The Web Conference 2026（WWW-26）录用。

论文链接

LVICL总体框架