航空发动机用上大模型：解决复杂时序问题，性能超越ChatGPT-4o实现SOTA｜上交创智复旦

主要观点总结

本文主要介绍了ITFormer团队在时序数据分析领域的研究进展。针对工业监控、医疗诊断等领域，他们提出了一种高效、可迁移的时序-语言桥接架构ITFormer，并将专家诊断过程抽象为“理解、感知、推理、决策”四个认知层次，定义为“时序问答”任务范式。团队基于NASA航空发动机数据构建了EngineMT-QA数据集，以评估模型在真实工业场景下的推理能力。ITFormer架构展现出卓越的性能，可以无缝适配多种时序编码器和语言模型，并在EngineMT-QA数据集上达到SOTA水平。此外，文章还介绍了ITFormer的设计思想、关键模块以及有效性验证等。

关键观点总结

关键观点1: ITFormer团队提出了高效、可迁移的时序-语言桥接架构ITFormer，将专家诊断过程抽象为四个认知层次。

ITFormer架构旨在解决工业监控和医疗诊断等领域中的时序数据分析问题，具有模块化设计，可实现时序数据与大语言模型的高效融合。

关键观点2: 团队构建了EngineMT-QA数据集以评估模型性能。

EngineMT-QA数据集包含超过11万对高质量问答数据，紧密贴合专家的认知流程，为评估模型在真实工业场景下的推理能力提供了标准化基准。

关键观点3: ITFormer架构展现出卓越性能，具备强大的建模能力。

在EngineMT-QA数据集上，ITFormer的性能全面超越了包括主流多模态API在内的所有基线，尤其在需要深度分析的“推理”和“决策”任务上表现出显著领先。

关键观点4: ITFormer具备架构通用性，可适配不同的时序编码器和语言模型。

实验证明，ITFormer可以无缝适配多种时序编码器（如PatchTST、Informer、Crossformer）和语言模型（如Qwen、LLaMA、GLM），展现出良好的可扩展性和“即插即用”特性。

关键观点5: ITFormer及EngineMT-QA为时序AI社区提供了新的研究范式和宝贵资源。

ITFormer及EngineMT-QA的应用前景广阔，不仅在工程领域，也在科学领域都有重要的应用价值。