Stora språkmodeller är briljanta på ord, men har svårt att förstå siffrors utveckling över tid. Nuvarande tester är röriga och tvetydiga, vilket får AI-system att spekulera snarare än att resonera. Gapet mellan mänsklig intuition och maskinlogik börjar nu fyllas med ett nytt ramverk som behandlar tidsseriedata som ett komplext pussel, inte bara råa statistiska värden.

Forskarna har utvecklat en fyranivåers modell för att mäta hur väl AI förstår tidsmönster, från enkel observation till djup semantisk resonemangsförmåga. För att testa detta skapade de HiTSR, ett omfattande dataset med 83 000 exempel kompletterat med stegvisa logiska spår. Detta möjliggör rigorös utvärdering och flyttar fokus från fragmenterade uppgifter mot en enhetlig standard för tidsseriesresonemang.

Kärnan i innovationen är LLaTiSA, en modell som kombinerar visuell mönsterigenkänning med exakta numeriska tabeller. Genom att mata in AI:n både grafer och exakta datapunkter uppnås en betydligt skarpare tidsuppfattning. Forskargruppen har använt en flerstegs träningsmetod för att säkerställa att modellen inte bara memoriserar svar, utan lär sig att generalisera över olika scenarier och verkliga tillämpningar.

Resultatet är ett system som hanterar komplexa tidsuppgifter med förvånande robusthet. Det bevisar att AI kan resonera effektivt genom tidsseriedata när den ges både visuell kontext och hårda siffror. Detta genombrott banar väg för mer tillförlitlig AI inom områden där timing och trender spelar roll, från finans till hälsovård.