据中邦科学院新闻，中邦科学院软件研讨所研讨团队指日提出一种名为“向量注入式上下文进修（LVICL）”的新型框架，旨正在擢升狂言语模子正在时期序列预测使命上的职能。该框架通过革新手法，正在维持模子参数冻结、大幅低落筹划开销的同时，告终了稳固且更优的预测成果，闭连论文已被邦际学术聚会The Web Conference 2026（）委任。
古板上，狂言语模子用于时期序列预测时，因预演练文本与时期序列数据正在漫衍和机闭上存正在分别，常需采用本钱嘹后的全量微调来适当。为征服这一寻事，研讨团队提出了LVICL框架，其主旨是通过引入使命示例的上下文进修，使模子无需更新参数即可抵达犹如微调的成果。该框架闭键包括三个要害方法：
起首，提取示例的向量显露，并以置换褂讪的手法举办咸集，从而消释上下文进修对示例顺次的敏锐性。
其次，采用轻量适配器对咸集后的上下文向量举办精辟，逼迫此中可精明扰预测的分量，巩固模子对示例拣选的鲁棒性。
研讨团队正在众个时期序列预测基准数据集上对LVICL举办了体例评估。试验结果标明，LVICL正在所有冻结狂言语模子参数、明显低落演练开销的条件下，不但稳固复现了上下文进修的收益，还进一步放大了其成果。与现有的轻量微调手法比拟，LVICL正在众种数据集和试验配置下均外示出更强的预测本领，正在效劳与职能的均衡上显示出更好的适用性。