chore(ts-as-modality): scaffold OpenSpec change & adopt reviewed design

- OpenSpec change: proposal/design/tasks + 3 delta specs (ts-synthesis, ts-multimodal-model, ts-evaluation; 21 requirements) - comet state initialized (phase=build), plan recorded - adopt existing reviewed design doc as Design Doc (+ comet frontmatter) - existing implementation plan (+ comet frontmatter) - workspace .gitignore
2026-06-29 22:29:31 +08:00
parent 7a5a1d033f
commit c160718934
14 changed files with 909 additions and 0 deletions
@@ -87,6 +87,7 @@ coverage/
 .pi/logs/

 # Claude Code local runtime
+.claude/settings.local.json
 .claude/sessions/
 .claude/cache/
 .claude/logs/
@@ -1,3 +1,9 @@
+---
+change: ts-as-modality
+design-doc: docs/superpowers/specs/2026-06-29-ts-as-modality-design.md
+base-ref: 7a5a1d033fb1ac20af25a17a571b2791694bd923
+---
+
 # 时序作为模态的多模态模型 · 实现计划

 > **对应规格**：`docs/superpowers/specs/2026-06-29-ts-as-modality-design.md`
@@ -1,3 +1,9 @@
+---
+comet_change: ts-as-modality
+role: technical-design
+canonical_spec: openspec
+---
+
 # 时序作为模态的多模态模型 · 设计规格

 > **日期**：2026-06-29
@@ -0,0 +1,22 @@
+workflow: full
+phase: build
+context_compression: off
+build_mode: executing-plans
+build_pause: null
+subagent_dispatch: null
+tdd_mode: tdd
+review_mode: standard
+isolation: branch
+verify_mode: null
+auto_transition: true
+base_ref: 7a5a1d033fb1ac20af25a17a571b2791694bd923
+design_doc: docs/superpowers/specs/2026-06-29-ts-as-modality-design.md
+plan: docs/superpowers/plans/2026-06-29-ts-as-modality-plan.md
+verify_result: pending
+verification_report: null
+branch_status: pending
+created_at: 2026-06-29
+verified_at: null
+archived: false
+handoff_context: openspec/changes/ts-as-modality/.comet/handoff/design-context.json
+handoff_hash: 067d854db86de682b8c5e173888ab9b0d890244bf938aef24512ec8287789be7
@@ -0,0 +1,41 @@
+# Brainstorm Summary
+
+- Change: ts-as-modality
+- Date: 2026-06-29
+
+## 确认的技术方案
+
+采纳既有、已评审 Design Doc `docs/superpowers/specs/2026-06-29-ts-as-modality-design.md` 为本次 change 的 Design Doc（comet-design 前置条件「无 Design Doc」被既有文件违反，实质性深度设计已完成，无需重新 brainstorm 出重复文档）。
+
+核心技术方案（源自 Design Doc）：
+- 路线：ChatTS「时序作为新模态」—— Patch-Project + 轻量编码器（优于 Chronos 时序 Tokenization、Time-LLM Reprogramming）
+- 骨干：Qwen2.5-0.5B-Instruct（hidden=896）
+- TS Encoder：Patchify(P=8, stride=4, 通道独立) + 2 层 Transformer(d=256, 4 头, ~4M)
+- Projector：Linear(256→896) + LayerNorm
+- 多模态拼接顺序：`[属性][时间戳][TS token][事件][问题]`
+- 两阶段训练：①冻结 LLM 训 Encoder+Projector（~4.2M，省显存关键）→ ②叠加 LoRA r=16(q/v_proj) SFT（~7M）
+- 数据：CPU 离线合成为主（50万对齐 + 10万 SFT + 2k held-out），真实 benchmark(SMD/MSL/SMAP/SWaT/PSM) 仅锚定评测
+- 评测：VUS-PR 为主（严守 MTSAD 纪律，PA-F1 仅对照），LLM-judge + 规则解析双轨，4 类同口径基线
+
+## 关键取舍与风险
+
+- [对比损失默认] 采用「扰动一致性 + λ=0.1」作为默认，做成可配置；若 M3「TS-token 有效性检验」（扰动后回答变化率 >50%）失败再换 InfoNCE。
+- [DPO] 首版不做，M5 后视效果决定。
+- [高风险·合成→真实泛化] 阶段②掺真实 benchmark 改写样本；评测以真实 benchmark 为准。
+- [中风险·阶段② 12GB OOM] 降批量/ctx、CPU offload、adamw_8bit、退回阶段①-only 报告。
+- [中风险·LLM 忽略 TS token] 对比损失 + 必看时序样本 + 消融定位。
+- [中风险·JSON 解析失败] 训练强化格式约束 + 解析兜底（失败→全 0 计漏报）+ 单独报解析成功率。
+
+开放问题（TS Encoder 层/d、Patch P、对比损失形式、DPO、真实改写数量）均延后为 build 阶段经验/流程项，不阻塞设计。
+
+## 测试策略
+
+- 单元测试：各模块（attributes/synthesis/instruct/ts_encoder/projector/multimodal/collator/losses/parse/ts_metrics）给定 seed 确定性 + 形状/参数量校验
+- 冒烟路径：`gen_synthetic.py --n 200` → T2.1-T2.4 单 batch → stage1/stage2 `--max_steps 50` → run_eval.sh 产报告骨架，确认端到端通后再放大
+- 里程碑出口验证：M1-M5 每阶段有可执行完成判据
+- 评测：异常检测 VUS-PR/Aff-F1/AUC-PR/Point-F1(无PA) + PA-F1(对照)；问答 LLM-judge + 规则解析；含 trivial 基线对照防虚高
+- 可验证成功标准（§6.5）：阶段②峰值显存 ≤11GB；真实 benchmark VUS-PR 显著优于纯 LLM 基线；时序消融后指标下降；问答均分超基线；评测可复现
+
+## Spec Patch
+
+无。4 项高风险均有对应 delta spec 验收场景闭环；成功标准由 tasks M5.6 出口验证承载，不另开第二份需求 spec。
@@ -0,0 +1,16 @@
+{
+  "change": "ts-as-modality",
+  "phase": "design",
+  "mode": "compact",
+  "canonical_spec": "openspec",
+  "generated_by": "comet-handoff.sh",
+  "context_hash": "067d854db86de682b8c5e173888ab9b0d890244bf938aef24512ec8287789be7",
+  "files": [
+    { "path": "openspec/changes/ts-as-modality/proposal.md", "sha256": "d29658df95f49b889a7f06e6985776ba944f2476eca8e06f074787e823408f4e" },
+    { "path": "openspec/changes/ts-as-modality/design.md", "sha256": "5b920360b1303fde23795a3388c34a11c0c562daa340de12980ff86a1d199f7b" },
+    { "path": "openspec/changes/ts-as-modality/tasks.md", "sha256": "8e13037661b54a1579cc1c9c81ff2676aee777ca25303ef54c944ce91e852726" },
+    { "path": "openspec/changes/ts-as-modality/specs/ts-evaluation/spec.md", "sha256": "1c986559a6b44900bff452e4cbbb0272c1ee321de2fddacedc6e096c4e5381fb" },
+    { "path": "openspec/changes/ts-as-modality/specs/ts-multimodal-model/spec.md", "sha256": "f40631b2e8dac3772f6081623d2175460ca5355a8818d6cb3c28a94f148d56a3" },
+    { "path": "openspec/changes/ts-as-modality/specs/ts-synthesis/spec.md", "sha256": "330043d178e344f1f1e87d1262f25ed33b2216eb6e16f2658d4f29a779d8b60b" }
+  ]
+}
@@ -0,0 +1,438 @@
+# Comet Design Handoff
+
+- Change: ts-as-modality
+- Phase: design
+- Mode: compact
+- Context hash: 067d854db86de682b8c5e173888ab9b0d890244bf938aef24512ec8287789be7
+
+Generated-by: comet-handoff.sh
+
+OpenSpec remains the canonical capability spec. This handoff is a deterministic, source-traceable context pack, not an agent-authored summary.
+
+## openspec/changes/ts-as-modality/proposal.md
+
+- Source: openspec/changes/ts-as-modality/proposal.md
+- Lines: 1-33
+- SHA256: d29658df95f49b889a7f06e6985776ba944f2476eca8e06f074787e823408f4e
+
+```md
+## Why
+
+当前 AIOps 场景下，多变量时序的异常检测与解释仍依赖专用模型，缺乏「以自然语言对时序提问、做根因/事件关联推理」的统一能力。基于 `MTSAD-技术深度调研报告.md`，沿用 ChatTS「时序作为新模态」路线，我们希望在**单张 3060 12GB 消费级显卡**上做一个可复现的实验性落地，验证「把多变量时序视为独立模态、与文本/事件模态联合注入小型 LLM」这一方法在算力受限条件下是否切实可行、且「时序模态」是否真带来可量化的增益。现在做是因为：0.5B 级开源 LLM 与 PEFT/LoRA 工具链已足够成熟，使该实验在消费级硬件上首次成为可能。
+
+## What Changes
+
+- **新增**：CPU 离线合成数据管线（成分模型 + 异常注入 + 事件耦合 + Evol-Instruct 指令/回答生成），产出对齐预训练与 SFT 用的 JSONL
+- **新增**：真实 benchmark（SMD/MSL/SMAP/SWaT/PSM）窗口加载与「异常段→问答对」改写（仅评测用，不进训练）
+- **新增**：TS Encoder（Patchify + 2 层 Transformer）+ Projector（Linear→LLM hidden），把时序编码为独立 soft token
+- **新增**：多模态拼接器，按 `[属性][时间戳][TS token][事件][问题]` 顺序组装文本 token 与 TS token 注入 LLM
+- **新增**：两阶段训练流程 —— 阶段①冻结 LLM 训 Encoder+Projector（对齐预训练）；阶段②叠加 LoRA(r=16) 做指令微调
+- **新增**：评测套件 —— 文本回答→JSON 区间→逐点分数解析；VUS-PR(主)/Affiliation-F1/AUC-PR/Point-F1(无PA)；LLM-judge + 规则解析双轨
+- **新增**：4 类同口径对照基线（纯 LLM 数值喂文本 / Time-LLM 风格重映射 / ChatTS(若可复现) / Trivial）
+- 骨干选用 **Qwen2.5-0.5B-Instruct**，BF16 + LoRA + 梯度检查点，目标阶段②峰值显存 ≤11GB
+
+## Capabilities
+
+### New Capabilities
+- `ts-synthesis`: CPU 离线合成数据管线——成分模型（趋势/周期/基线/噪声）、异常注入（尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移）、事件耦合、缺失/不规则模拟、属性词表采样，以及 Evol-Instruct 多轮指令与回答生成；附带真实 benchmark 加载与问答改写
+- `ts-multimodal-model`: 时序作为模态的多模态模型——TS Encoder + Projector + 多模态拼接（TS token 与文本/事件 token 联合注入 LLM），含阶段①对齐预训练与阶段②LoRA SFT 的训练/推理统一封装
+- `ts-evaluation`: 时序问答与异常检测评测套件——回答解析（文本→JSON 区间→逐点分数）、阈值无关指标（VUS-PR 主/Affiliation-F1/AUC-PR/Point-F1 无 PA）、LLM-judge + 规则双轨、4 类同口径基线对照、可复现评测报告
+
+### Modified Capabilities
+<!-- 无已存在 capability 的需求变更（本项目 specs/ 当前为空）。 -->
+
+## Impact
+
+- **新增代码**：独立 Python 项目 `ts-as-modality/`（`pyproject.toml` + `src/tsmm/{data,model,train,eval,utils}` + `scripts/` + `tests/` + `configs/`），与当前 spec/docs 工作区并列
+- **依赖**：torch、transformers、peft、accelerate、datasets、numpy、tqdm、pyyaml、pytest；评测依赖 `tsb_uad`（VUS-PR）；LLM-judge 评测时调用 OpenAI/GPT-4o API
+- **模型资产**：Qwen2.5-0.5B-Instruct 骨干（外部下载）；阶段①/② checkpoint 与合成数据产物体积较大，需 git-ignore（`data/`、`checkpoints/`）
+- **算力**：单张 3060 12GB；阶段①预估峰值 ~4-5GB，阶段②预估峰值 ~9-10GB；CPU 多进程用于离线合成
+- **存储**：合成数据约 2-3GB（流式加载），checkpoint 分阶段独立存放
+- **无 BREAKING 变更**：纯新增独立实验项目，不触碰现有任何代码/接口
+```
+
+## openspec/changes/ts-as-modality/design.md
+
+- Source: openspec/changes/ts-as-modality/design.md
+- Lines: 1-88
+- SHA256: 5b920360b1303fde23795a3388c34a11c0c562daa340de12980ff86a1d199f7b
+
+[TRUNCATED]
+
+```md
+## Context
+
+本 change 在**单张 3060 12GB 消费级显卡**上做一个可复现的实验性落地：把**多变量时序视为独立模态**，与文本/事件模态联合注入小型 LLM（Qwen2.5-0.5B-Instruct），端到端任务是**时序问答与推理**（ChatTS 路线）。
+
+背景与约束来自 `MTSAD-技术深度调研报告.md` 与 `docs/superpowers/specs/2026-06-29-ts-as-modality-design.md`（已通过设计评审）。核心约束：
+
+- **算力**：单卡 12GB → 骨干 ≤0.5B、依赖 LoRA/QLoRA + 短上下文 + 小批量 + 梯度检查点
+- **数据**：合成数据为主（CPU 离线生成）→ 评测锚定真实 benchmark，防合成过拟合
+- **目标**：不追学术 SOTA，追「12GB 跑通、可复现、时序模态确有增益」的可验证结论
+
+## Goals / Non-Goals
+
+**Goals:**
+- 全流程单卡 3060 12GB 跑通，阶段②峰值显存 ≤11GB
+- TS Encoder + Projector 把时序编码为独立 soft token，使 LLM「能读懂」时序
+- 时序模态带来可量化增益：真实 benchmark VUS-PR 显著优于纯 LLM 数值喂文本基线；时序消融后指标明显下降
+- 6 类问答任务（描述/异常/根因/预测/比较/事件关联）LLM-judge 均分超纯 LLM 基线
+- 评测可复现：含 trivial 基线对照、标注是否用 PA、严守 MTSAD 报告评估纪律
+
+**Non-Goals:**
+- ❌ 不从零预训练 LLM（成本不允许，且非本实验目的）
+- ❌ 不做多卡分布式训练（单卡约束）
+- ❌ 不追求学术 SOTA 排名
+- ❌ 不做端侧部署优化（先验证方法）
+- ❌ DPO 首版不做（M5 后视效果再决定）
+
+## Decisions
+
+### 决策 1：采用 Patch-Project + 轻量编码器，而非时序 Tokenization 或 Reprogramming
+
+时序切 patch（P=8, stride=4，通道独立）→ 2 层 Transformer 编码器（d=256, 4 头, ~4M）→ 线性投影（256→896）成独立 TS token，作为可学习 soft token 注入 LLM。
+
+**对比的备选方案：**
+
+| 方案 | 含义 | 取舍 |
+|------|------|------|
+| **A（选用）Patch-Project + 轻量编码器** | patch→小编码器→线性投影成独立 TS token | 真正的"时序作为模态"；12GB 可训；patch 捕捉局部结构、变长友好。代价：需训编码器+投影层（已在显存预算内） |
+| B 时序 Tokenization（Chronos 风格） | 数值量化成离散 token、扩展词表 | 最"时序即语言"，但量化丢精度、异常细节易损；逐点 token 序列长，12GB 上下文吃紧。放弃 |
+| C Reprogramming（Time-LLM 风格） | 冻结 LLM 用文本原型重映射 | 参数最省，但受限于已有文本嵌入流形、表达力弱，时序算不上"真新模态"，复杂推理/事件联合弱。放弃 |
+
+### 决策 2：骨干选 Qwen2.5-0.5B-Instruct
+
+0.5B 中英均衡、有现成 Instruct 版、社区生态成熟；BF16 约 1GB，12GB 余量充足（hidden=896）。
+
+### 决策 3：两阶段训练，阶段①冻结 LLM
+
+- **阶段① 对齐预训练**：冻结 LLM，仅训 TS Encoder + Projector（~4.2M 全参）→ 不存 LLM 优化器状态/梯度，是 12GB 可行的关键省显存技巧
+- **阶段② SFT**：在此之上叠加 LoRA r=16（q/v_proj，~2-3M），LLM 其余冻结 + 梯度检查点
+
+分阶段 checkpoint 互不污染、可回滚。损失仅对回答段 token 计 LM loss；阶段①叠加对比损失（扰动时序→回答应变）防止 LLM 忽略 TS token。
+
+### 决策 4：输入拼接顺序 `[属性][时间戳][TS token][事件][问题]`
+
+属性先给语义，时序居中，事件定位在对应时间，问题在末尾便于回答。
+
+### 决策 5：合成数据为主，真实 benchmark 仅用于评测锚定
+
+合成管线全 CPU 离线，成分参数随机化；**核心红利**：异常段、事件时间戳、各成分参数全部作为 ground-truth 自动记录——免费且精确的标签。评测锚定 SMD/MSL/SMAP/SWaT/PSM 真实分布，避免「合成上 SOTA、真实上崩盘」。
+
+### 决策 6：评测指标以 VUS-PR 为主，严守 MTSAD 报告纪律
+
+- 主指标 **VUS-PR**（阈值无关）；辅 Affiliation-F1（多 λ）、AUC-PR、Point-F1（无 PA）
+- **PA-F1 仅作对照、不得作主指标**（防虚高）
+- 问答用 LLM-judge + 规则解析双轨
+- 自然语言回答→约束 JSON 区间→逐点分数，便于数值化评测
+
+### 决策 7：4 类同口径基线
+
+纯 LLM 数值喂文本（检验 TS 模态是否真有增益）、Time-LLM 风格重映射、ChatTS（若可复现）、Trivial（Random/Constant/全报异常）。全部走同一套解析+指标脚本。
+
+## Risks / Trade-offs
+
+- [12GB 阶段②仍 OOM] → 降批量/上下文、开 CPU offload 优化器、`adamw_8bit`、退回阶段①-only 报告
+- [合成→真实泛化差距大（高风险）] → 阶段②掺真实 benchmark 改写样本；评测以真实 benchmark 为准
+- [LLM 忽略 TS token] → 对比损失 + "必看时序"样本 + 消融实验定位
+- [回答 JSON 解析失败率高] → 训练强化格式约束 + 解析兜底（失败→全 0 计漏报）+ 单独报解析成功率
+- [GPT-4o judge 成本] → 仅评测 2k 样本调用；可换开源 judge 做 sanity
+- [TS Encoder 过拟合合成分布] → 成分参数随机化 + 多套合成配置 + 阶段②引入真实改写样本
+
+## Open Questions
+```
+
+Full source: openspec/changes/ts-as-modality/design.md
+
+## openspec/changes/ts-as-modality/tasks.md
+
+- Source: openspec/changes/ts-as-modality/tasks.md
+- Lines: 1-45
+- SHA256: 8e13037661b54a1579cc1c9c81ff2676aee777ca25303ef54c944ce91e852726
+
+```md
+# Tasks · ts-as-modality
+
+> 源自 `docs/superpowers/plans/2026-06-29-ts-as-modality-plan.md`（M1→M5）。
+> 每个里程碑末尾的「出口验证」为该阶段完成判据；建议先跑「冒烟路径」确认端到端通，再放大到全量。
+
+## 1. M1 · 数据管线
+
+- [ ] 1.1 项目脚手架：创建 `pyproject.toml`（torch/transformers/peft/accelerate/datasets/numpy/tqdm/pyyaml/pytest）、`src/tsmm/` 模块骨架、`configs/`、`scripts/`、`tests/`，并建 `data/`、`checkpoints/` 加 `.gitignore`（验证：`python -c "import tsmm"` 不报错；`pytest tests/` 可跑）
+- [ ] 1.2 属性词表与采样 `data/attributes.py`：定义变量名词表/单位/采样率档位，`sample_attributes(n_channels)` 返回结构化属性（验证：单测字段齐全、可复现）
+- [ ] 1.3 成分模型与时序合成 `data/synthesis.py`：`generate_series`（趋势+周期+基线+噪声）、`inject_anomaly`（尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移，返回逐点 labels+段元数据）、`couple_event`（t 处阶跃+事件文本）、`add_missing`（NaN 占位）（验证：给定 seed 确定；异常段与 labels 一致；事件处有阶跃）
+- [ ] 1.4 指令与回答生成 `data/instruct.py`：6 类指令模板（描述/异常/根因/预测/比较/事件关联）+ Evol-Instruct 演化，`build_instruction` 产 JSON 区间/数值/文本回答（验证：异常类 JSON 可 `json.loads` 且段与 labels 吻合）
+- [ ] 1.5 离线生成脚本 `scripts/gen_synthetic.py`：多进程产 `align.jsonl`(50万)/`sft.jsonl`(10万)/`eval_synth.jsonl`(2k held-out)，支持 `--n/--out/--seed/--workers` + tqdm（验证：`--n 1000` 跑通，抽样 5 条 schema 合规）
+- [ ] 1.6 真实 benchmark 加载 `data/real_bench.py`：加载 SMD/MSL/SMAP/SWaT/PSM（至少 2 个），`load_windows(T=512, stride=256)` 滑窗+归一化+标签，异常段改写问答对存 `eval_real.jsonl`（验证：窗口形状 `[N,T,C]`、标签 `[N,T]`、问答非空）
+- [ ] 1.7 M1 出口验证：`gen_synthetic.py --n 1000` 产可视检合法 JSONL；`real_bench.py` 加载 ≥2 数据集；人工抽看 5 条合成样本确认成分/异常/事件正确
+
+## 2. M2 · 模型可跑通
+
+- [ ] 2.1 TS Encoder `model/ts_encoder.py`：`Patchify(patch=8, stride=4)` 通道独立切 patch 线性嵌入到 d=256；`TSEncoder(d=256, layers=2, heads=4)` 2 层 TF + 可学习位置编码；前向 `[B,T,C]`→`[B,n_patches,256]`（验证：输入 `[2,512,5]`→`[2,128,256]`，参数 ≈4M）
+- [ ] 2.2 Projector `model/projector.py`：`Linear(256→896)+LayerNorm`（验证：输出 `[B,128,896]` 对齐 Qwen2.5-0.5B hidden）
+- [ ] 2.3 多模态拼接 `model/multimodal.py`：Qwen tokenizer tokenize 文本部分，TS token 作 inputs_embeds 插入 `[属性][时间戳][TS tok][事件][问题]`，统一构造 inputs_embeds+attention_mask+labels（仅回答段非 -100）（验证：seq_len ≤1024，mask/labels 形状对）
+- [ ] 2.4 训练/推理封装 `model/wrapper.py`：`MultimodalTSModel` 组合 Encoder+Projector+LLM+LoRA 挂载开关，`forward` 返 loss、`generate` 返文本，支持 `freeze_llm`(阶段①)/`enable_lora(r=16)`(阶段②)（验证：单 batch forward 3060 不 OOM；generate 能出文本）
+- [ ] 2.5 Collator `data/collator.py`：JSONL→batch 张量，处理变长 C（padding+mask）与变长文本（padding+attention_mask）（验证：batch=4 张量形状一致无 NaN）
+- [ ] 2.6 M2 出口验证：单 batch 前向+反向在 3060 跑通，loss 有限且下降趋势，阶段①模式峰值显存 ~5GB
+
+## 3. M3 · 阶段①对齐训练
+
+- [ ] 3.1 损失函数 `train/losses.py`：`lm_loss`（仅回答段计 loss）、`contrastive_loss`（扰动时序→回答 embedding 变化，InfoNCE/扰动一致性），总 loss=`lm_loss+λ*contrastive_loss`（λ 默认 0.1）（验证：loss 标量可反传，对比损失对扰动敏感）
+- [ ] 3.2 阶段①训练脚本 `train/stage1.py`+`scripts/train_stage1.sh`：加载 `align.jsonl` 流式，`freeze_llm=True` 仅训 Encoder+Projector（AdamW, lr=1e-4），bs=8/grad_accum=4/ctx=512/BF16/梯度检查点，每 2000 step 存 ckpt + TensorBoard（验证：`--max_steps 100` 冒烟不 OOM、loss 下降、峰值显存 ≤6GB）
+- [ ] 3.3 TS-token 有效性检验：held-out 原时序 vs 扰动时序回答变化率 + 「必看时序」样本答对率对照纯 LLM（验证：扰动后变化率 >50%，必看时序答对率显著高于纯 LLM）
+- [ ] 3.4 M3 出口验证：阶段① ckpt 产出；扰动检验通过；峰值显存 ≤6GB（失败回查对比损失权重/数据质量）
+
+## 4. M4 · 阶段②SFT
+
+- [ ] 4.1 阶段②训练脚本 `train/stage2.py`+`scripts/train_stage2.sh`：加载阶段① ckpt，`enable_lora(r=16)` on q/v_proj 其余冻结，加载 `sft.jsonl`，bs=4/grad_accum=8/ctx=1024/BF16/梯度检查点，每 2000 step 存含 LoRA ckpt（验证：`--max_steps 100` 冒烟不 OOM、loss 下降、峰值显存 ≤11GB）
+- [ ] 4.2 指令遵循抽检：6 类任务各取 10 条 held-out 检查回答（异常类 JSON 可解析+段合理；解释类切题引用事件）（验证：6 类回答可用率 >70%，JSON 解析成功率 >80%）
+- [ ] 4.3 M4 出口验证：阶段② ckpt 产出；6 类任务抽检达标；峰值显存 ≤11GB（OOM 则降 bs=2/grad_accum=16、`adamw_8bit`+CPU offload、ctx 降到 768）
+
+## 5. M5 · 完整评测
+
+- [ ] 5.1 回答解析 `eval/parse_answer.py`：文本回答→JSON 异常段→逐点分数 `[T]`，失败→全 0+失败标记（验证：多格式可解析、失败有兜底）
+- [ ] 5.2 异常检测指标 `eval/ts_metrics.py`：`tsb_uad` 算 VUS-PR(主)，自实现 Affiliation-F1(多 λ)/AUC-PR/Point-F1(无PA)，PA-F1 单独对照（验证：已知段算出合理值；trivial 全报异常 VUS-PR 不虚高）
+- [ ] 5.3 问答评测 `eval/qa_judge.py`：规则解析轨（JSON/数值容差→准确率）+ LLM-judge 轨（GPT-4o 打 0-5 分），不一致样本导出抽检（验证：对 eval 集产出 6 类任务的 {规则准确率,judge 均分,解析成功率}）
+- [ ] 5.4 对照基线 `eval/baselines.py`：纯 LLM 数值喂文本 / Time-LLM 风格重映射 / ChatTS(若可复现) / Trivial(Random/Constant/全报异常)，全走同一套 parse+metrics（验证：4 类基线产出同口径指标表）
+- [ ] 5.5 评测脚本与报告 `scripts/run_eval.sh`：跑 `eval_synth.jsonl`+`eval_real.jsonl`，产 `reports/eval-YYYYMMDD.md`（含每数据集×每任务全部必报指标、标注是否用 PA、含 trivial 对照）（验证：一键产出满足设计规格 §5.4 必报清单的完整报告）
+- [ ] 5.6 M5 出口验证：报告满足设计规格 §6.5 成功标准——真实 benchmark VUS-PR 显著优于纯 LLM 基线；时序消融后指标明显下降；问答均分超基线；评测可复现含 trivial
+```
+
+## openspec/changes/ts-as-modality/specs/ts-evaluation/spec.md
+
+- Source: openspec/changes/ts-as-modality/specs/ts-evaluation/spec.md
+- Lines: 1-61
+- SHA256: 1c986559a6b44900bff452e4cbbb0272c1ee321de2fddacedc6e096c4e5381fb
+
+```md
+## ADDED Requirements
+
+### Requirement: 回答解析为逐点分数
+
+系统 SHALL 从模型自然语言回答中提取 JSON 异常段并生成逐点分数（段内 1.0，段外 0.0），解析失败时回退为全 0（计为漏报）并记录失败标记。
+
+#### Scenario: 多格式可解析
+- **WHEN** 输入含噪声/嵌套的多种回答格式
+- **THEN** 能正确解析出异常段并生成逐点分数 `[T]`
+
+#### Scenario: 解析失败有兜底
+- **WHEN** 回答无法解析
+- **THEN** 分数全 0 并记录失败标记（不计为成功）
+
+### Requirement: 阈值无关的异常检测指标
+
+系统 SHALL 以 VUS-PR 为异常检测主指标，并辅以 Affiliation-F1（λ=0.1/0.5/1.0）、AUC-PR、Point-F1（无 PA）；PA-F1 仅作对照、不得作为主指标。
+
+#### Scenario: trivial 基线不虚高
+- **WHEN** 对「全报异常」trivial 基线计算 VUS-PR
+- **THEN** VUS-PR 不虚高（避免评估作弊）
+
+#### Scenario: 对已知段算出合理值
+- **WHEN** 对已知异常段计算指标
+- **THEN** VUS-PR/Aff-F1/AUC-PR/Point-F1 均落在合理区间
+
+### Requirement: 问答评测双轨
+
+系统 SHALL 提供规则解析轨（JSON/数值容差比对，产准确率）与 LLM-judge 轨（对 `问题,时序摘要,参考答案,模型答案` 打 0-5 分），并对两轨不一致样本导出供人工抽检。
+
+#### Scenario: 产出 6 类任务评测结果
+- **WHEN** 对评测集运行问答评测
+- **THEN** 对 6 类任务各产出 `{规则准确率, judge 均分, 解析成功率}`
+
+### Requirement: 同口径对照基线
+
+系统 SHALL 提供 4 类同口径基线——纯 LLM 数值喂文本、Time-LLM 风格重映射、ChatTS（若不可复现则标注）、Trivial（Random/Constant/全报异常）——且全部走同一套解析+指标脚本。
+
+#### Scenario: 4 类基线产出同口径指标
+- **WHEN** 运行基线评测
+- **THEN** 4 类基线均在同一套 `parse_answer`+`ts_metrics` 下产出指标表
+
+### Requirement: 可复现评测报告
+
+系统 SHALL 提供一键评测脚本，产出 markdown 报告，覆盖每数据集×每任务的 VUS-PR/Aff-F1/AUC-PR/Point-F1/PA-F1(对照)/问答分/解析成功率/消融/基线对比，并明确标注是否使用 PA、含 trivial 对照。
+
+#### Scenario: 一键产出完整报告
+- **WHEN** 运行 `run_eval.sh`
+- **THEN** 产出满足设计规格 §5.4 必报清单的完整 markdown 报告
+
+### Requirement: 模态消融与泛化验证
+
+系统 SHALL 支持模态消融（去掉事件/属性/时序）与跨数据集泛化验证（如 SMD→MSL/SWaT），以证明时序模态确有贡献并暴露合成→真实差距。
+
+#### Scenario: 时序消融指标下降
+- **WHEN** 去掉时序模态后评测
+- **THEN** 关键指标（VUS-PR/问答分）明显低于完整模型，证明时序模态有贡献
+
+#### Scenario: 真实 benchmark 显著优于纯 LLM 基线
+- **WHEN** 在真实 benchmark 上对比完整模型与纯 LLM 数值喂文本基线
+- **THEN** VUS-PR 显著优于纯 LLM 基线
+```
+
+## openspec/changes/ts-as-modality/specs/ts-multimodal-model/spec.md
+
+- Source: openspec/changes/ts-as-modality/specs/ts-multimodal-model/spec.md
+- Lines: 1-73
+- SHA256: f40631b2e8dac3772f6081623d2175460ca5355a8818d6cb3c28a94f148d56a3
+
+```md
+## ADDED Requirements
+
+### Requirement: TS Encoder 把时序编码为 patch 表示
+
+系统 SHALL 通过通道独立的 Patchify（P=8, stride=4）将多变量时序切分为重叠 patch，并经 2 层 Transformer 编码器（d=256, 4 头）映射为时序 token 序列。
+
+#### Scenario: 形状正确
+- **WHEN** 输入形状 `[B, T=512, C=5]`
+- **THEN** 输出形状 `[B, 128, 256]`，且 TS Encoder 参数量约 4M
+
+#### Scenario: 通道独立
+- **WHEN** 通道数 C 变化（如 C=3 与 C=12）
+- **THEN** 编码器仍正常工作（通道独立 patchify，不因 C 增大失配）
+
+### Requirement: Projector 映射到 LLM 隐藏维
+
+系统 SHALL 提供线性投影层（256→896）+ LayerNorm，将 TS 表示映射到 Qwen2.5-0.5B 的隐藏维（896），作为可学习 soft token。
+
+#### Scenario: 投影对齐 LLM hidden
+- **WHEN** TS Encoder 输出 `[B, 128, 256]`
+- **THEN** Projector 输出 `[B, 128, 896]`，与 LLM 隐藏维一致
+
+### Requirement: 多模态拼接注入 LLM
+
+系统 SHALL 按 `[属性][时间戳][TS token][事件][问题]` 顺序组装文本 token 与 TS token，统一构造 `inputs_embeds`（文本走 `get_input_embeddings()`，TS 走 Projector 输出）+ `attention_mask` + `labels`（仅回答段非 -100），并约束总长度。
+
+#### Scenario: 拼接长度受限
+- **WHEN** 组装一个样本
+- **THEN** 拼接后序列长度 ≤1024 token
+
+#### Scenario: 回答段 mask 正确
+- **WHEN** 构造 labels
+- **THEN** prompt 段（属性/时序/事件/问题）token 的 label 为 -100，仅回答段非 -100
+
+### Requirement: 训练/推理统一封装
+
+系统 SHALL 提供统一封装，组合 TS Encoder + Projector + LLM + 可选 LoRA，`forward(batch)` 返回 loss、`generate(batch)` 返回文本，并支持阶段①（冻结 LLM）与阶段②（LoRA r=16 on q/v_proj）两种模式。
+
+#### Scenario: 单卡前向反向不 OOM
+- **WHEN** 在 3060 12GB 上以阶段①模式跑单 batch 前向+反向
+- **THEN** 不 OOM，loss 为有限值
+
+#### Scenario: 可生成文本
+- **WHEN** 调用 `generate(batch)`
+- **THEN** 返回文本（训练初期允许内容无意义，但流程通）
+
+### Requirement: 阶段①对齐预训练
+
+系统 SHALL 支持阶段①训练：冻结 LLM 主体，仅训 TS Encoder + Projector（AdamW），上下文 ≤512、BF16、梯度检查点，并对回答段计 LM loss，叠加对比损失（扰动时序→回答应变）以防止 LLM 忽略 TS token。
+
+#### Scenario: 冒烟跑通且省显存
+- **WHEN** 以 `--max_steps 100` 冒烟训练
+- **THEN** 不 OOM，loss 呈下降趋势，峰值显存 ≤6GB
+
+#### Scenario: TS token 被有效利用
+- **WHEN** 训练后对 held-out 样本比较原时序与扰动时序的回答
+- **THEN** 扰动后回答变化率 >50%
+
+### Requirement: 阶段②指令微调 SFT
+
+系统 SHALL 支持阶段②训练：加载阶段① checkpoint，叠加 LoRA r=16（q/v_proj）、LLM 其余冻结，上下文 ≤1024、BF16、梯度检查点，对回答段做 SFT LM loss。
+
+#### Scenario: 冒烟跑通且压在显存内
+- **WHEN** 以 `--max_steps 100` 冒烟训练
+- **THEN** 不 OOM，loss 下降，峰值显存 ≤11GB
+
+### Requirement: 分阶段 checkpoint 与断点续训
+
+系统 SHALL 为每个阶段独立存放 checkpoint（阶段① = Encoder+Projector；阶段②在此之上叠加 LoRA），支持断点续训（每 2000 step 存 ckpt，JSONL 流式加载支持任意 step 续）。
+
+#### Scenario: 分阶段互不污染
+- **WHEN** 加载阶段② checkpoint
+- **THEN** 其依赖的阶段① Encoder+Projector 权重与阶段② LoRA 适配器可分别回滚，互不污染
+```
+
+## openspec/changes/ts-as-modality/specs/ts-synthesis/spec.md
+
+- Source: openspec/changes/ts-as-modality/specs/ts-synthesis/spec.md
+- Lines: 1-77
+- SHA256: 330043d178e344f1f1e87d1262f25ed33b2216eb6e16f2658d4f29a779d8b60b
+
+```md
+## ADDED Requirements
+
+### Requirement: 可复现的合成时序生成
+
+系统 SHALL 提供 CPU 离线合成数据管线，通过可配置成分模型叠加生成多变量时序，且在给定随机种子下输出完全确定、可复现。
+
+#### Scenario: 给定种子输出确定
+- **WHEN** 使用相同 seed 调用 `generate_series(T, C, seed)` 两次
+- **THEN** 两次输出的时序数组逐点相等
+
+#### Scenario: 成分叠加覆盖典型形态
+- **WHEN** 生成一条时序
+- **THEN** 该时序由趋势/周期/基线/噪声（含高斯与重尾 Student-t）成分叠加而成，且各成分参数被记录为元数据
+
+### Requirement: 异常注入与精确标签
+
+系统 SHALL 支持向合成时序注入多类异常，并把异常段位置与逐点标签作为 ground-truth 自动记录，标签与异常位置一致。
+
+#### Scenario: 注入异常并记录逐点标签
+- **WHEN** 调用 `inject_anomaly(series, types)` 注入尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移中的任一类
+- **THEN** 返回 `(series, labels)`，其中 labels 为逐点 0/1，且 labels 中值为 1 的点与实际异常区间一致
+
+#### Scenario: 异常稀有性兜底
+- **WHEN** 生成用于训练的样本
+- **THEN** 每条样本至少包含 1 类异常，保证异常类指令任务有正样本
+
+### Requirement: 事件耦合
+
+系统 SHALL 支持在指定时间点注入事件相关的阶跃变化，并生成对应的事件文本描述，以支撑时序+事件联合推理。
+
+#### Scenario: 事件注入产生阶跃
+- **WHEN** 调用 `couple_event(series, t, kind)` 在时间 t 注入事件
+- **THEN** 时序在 t 处出现阶跃变化，并返回该事件的文本描述
+
+### Requirement: 缺失与不规则采样模拟
+
+系统 SHALL 支持随机丢弃部分时序点（用 NaN 占位），以模拟真实采集缺陷。
+
+#### Scenario: 按比例丢弃点
+- **WHEN** 调用 `add_missing(series, rate=0.05~0.10)`
+- **THEN** 约 5-10% 的点被置为 NaN 占位
+
+### Requirement: 属性词表采样
+
+系统 SHALL 提供变量名词表（CPU/内存/流量/延迟/温度/请求量等）、单位与采样率档位，并按通道数采样返回结构化属性。
+
+#### Scenario: 采样属性字段齐全
+- **WHEN** 调用 `sample_attributes(n_channels)`
+- **THEN** 返回长度为 n_channels 的列表，每项含 `name`、`unit`、`freq` 字段，且给定 seed 可复现
+
+### Requirement: 多类指令与回答生成
+
+系统 SHALL 支持 6 类指令任务（描述/统计、异常检测、根因/解释、预测、比较、事件关联），为每类生成指令，并产出可结构化解析的回答（异常类含 JSON 区间，统计类含数值，解释类含文本）。
+
+#### Scenario: 异常类回答可被解析
+- **WHEN** 生成异常检测类的指令与回答
+- **THEN** 回答中的 JSON 可被 `json.loads` 解析，且其异常段与 labels 吻合
+
+#### Scenario: 覆盖全部 6 类
+- **WHEN** 运行指令生成
+- **THEN** 6 类任务每类至少各产 1 条样本
+
+### Requirement: 离线批量生成 JSONL
+
+系统 SHALL 提供离线脚本多进程生成 JSONL 数据集，每条记录含 `series`/`attributes`/`timestamps`/`events`/`instruction`/`answer`/`labels`，并支持条数、输出路径、种子、并发数参数。
+
+#### Scenario: 小规模生成产出合法 schema
+- **WHEN** 运行 `gen_synthetic.py --n 1000`
+- **THEN** 抽样 5 条每条均含上述 7 个字段，schema 合规
+
+### Requirement: 真实 benchmark 加载与问答改写
+
+系统 SHALL 能加载真实多变量时序 benchmark 窗口（至少 SWaT 与 MSL/MSL 系列中的 2 个），做滑窗+归一化+异常标签对齐，并把异常段改写为问答对（仅评测用，不进训练）。
+
+#### Scenario: 加载并滑窗
+- **WHEN** 调用 `load_windows(name, T=512, stride=256)`
+- **THEN** 返回窗口形状 `[N, T, C]` 与标签形状 `[N, T]`，问答对非空
+```
+
@@ -0,0 +1,2 @@
+schema: spec-driven
+created: 2026-06-29
@@ -0,0 +1,88 @@
+## Context
+
+本 change 在**单张 3060 12GB 消费级显卡**上做一个可复现的实验性落地：把**多变量时序视为独立模态**，与文本/事件模态联合注入小型 LLM（Qwen2.5-0.5B-Instruct），端到端任务是**时序问答与推理**（ChatTS 路线）。
+
+背景与约束来自 `MTSAD-技术深度调研报告.md` 与 `docs/superpowers/specs/2026-06-29-ts-as-modality-design.md`（已通过设计评审）。核心约束：
+
+- **算力**：单卡 12GB → 骨干 ≤0.5B、依赖 LoRA/QLoRA + 短上下文 + 小批量 + 梯度检查点
+- **数据**：合成数据为主（CPU 离线生成）→ 评测锚定真实 benchmark，防合成过拟合
+- **目标**：不追学术 SOTA，追「12GB 跑通、可复现、时序模态确有增益」的可验证结论
+
+## Goals / Non-Goals
+
+**Goals:**
+- 全流程单卡 3060 12GB 跑通，阶段②峰值显存 ≤11GB
+- TS Encoder + Projector 把时序编码为独立 soft token，使 LLM「能读懂」时序
+- 时序模态带来可量化增益：真实 benchmark VUS-PR 显著优于纯 LLM 数值喂文本基线；时序消融后指标明显下降
+- 6 类问答任务（描述/异常/根因/预测/比较/事件关联）LLM-judge 均分超纯 LLM 基线
+- 评测可复现：含 trivial 基线对照、标注是否用 PA、严守 MTSAD 报告评估纪律
+
+**Non-Goals:**
+- ❌ 不从零预训练 LLM（成本不允许，且非本实验目的）
+- ❌ 不做多卡分布式训练（单卡约束）
+- ❌ 不追求学术 SOTA 排名
+- ❌ 不做端侧部署优化（先验证方法）
+- ❌ DPO 首版不做（M5 后视效果再决定）
+
+## Decisions
+
+### 决策 1：采用 Patch-Project + 轻量编码器，而非时序 Tokenization 或 Reprogramming
+
+时序切 patch（P=8, stride=4，通道独立）→ 2 层 Transformer 编码器（d=256, 4 头, ~4M）→ 线性投影（256→896）成独立 TS token，作为可学习 soft token 注入 LLM。
+
+**对比的备选方案：**
+
+| 方案 | 含义 | 取舍 |
+|------|------|------|
+| **A（选用）Patch-Project + 轻量编码器** | patch→小编码器→线性投影成独立 TS token | 真正的"时序作为模态"；12GB 可训；patch 捕捉局部结构、变长友好。代价：需训编码器+投影层（已在显存预算内） |
+| B 时序 Tokenization（Chronos 风格） | 数值量化成离散 token、扩展词表 | 最"时序即语言"，但量化丢精度、异常细节易损；逐点 token 序列长，12GB 上下文吃紧。放弃 |
+| C Reprogramming（Time-LLM 风格） | 冻结 LLM 用文本原型重映射 | 参数最省，但受限于已有文本嵌入流形、表达力弱，时序算不上"真新模态"，复杂推理/事件联合弱。放弃 |
+
+### 决策 2：骨干选 Qwen2.5-0.5B-Instruct
+
+0.5B 中英均衡、有现成 Instruct 版、社区生态成熟；BF16 约 1GB，12GB 余量充足（hidden=896）。
+
+### 决策 3：两阶段训练，阶段①冻结 LLM
+
+- **阶段① 对齐预训练**：冻结 LLM，仅训 TS Encoder + Projector（~4.2M 全参）→ 不存 LLM 优化器状态/梯度，是 12GB 可行的关键省显存技巧
+- **阶段② SFT**：在此之上叠加 LoRA r=16（q/v_proj，~2-3M），LLM 其余冻结 + 梯度检查点
+
+分阶段 checkpoint 互不污染、可回滚。损失仅对回答段 token 计 LM loss；阶段①叠加对比损失（扰动时序→回答应变）防止 LLM 忽略 TS token。
+
+### 决策 4：输入拼接顺序 `[属性][时间戳][TS token][事件][问题]`
+
+属性先给语义，时序居中，事件定位在对应时间，问题在末尾便于回答。
+
+### 决策 5：合成数据为主，真实 benchmark 仅用于评测锚定
+
+合成管线全 CPU 离线，成分参数随机化；**核心红利**：异常段、事件时间戳、各成分参数全部作为 ground-truth 自动记录——免费且精确的标签。评测锚定 SMD/MSL/SMAP/SWaT/PSM 真实分布，避免「合成上 SOTA、真实上崩盘」。
+
+### 决策 6：评测指标以 VUS-PR 为主，严守 MTSAD 报告纪律
+
+- 主指标 **VUS-PR**（阈值无关）；辅 Affiliation-F1（多 λ）、AUC-PR、Point-F1（无 PA）
+- **PA-F1 仅作对照、不得作主指标**（防虚高）
+- 问答用 LLM-judge + 规则解析双轨
+- 自然语言回答→约束 JSON 区间→逐点分数，便于数值化评测
+
+### 决策 7：4 类同口径基线
+
+纯 LLM 数值喂文本（检验 TS 模态是否真有增益）、Time-LLM 风格重映射、ChatTS（若可复现）、Trivial（Random/Constant/全报异常）。全部走同一套解析+指标脚本。
+
+## Risks / Trade-offs
+
+- [12GB 阶段②仍 OOM] → 降批量/上下文、开 CPU offload 优化器、`adamw_8bit`、退回阶段①-only 报告
+- [合成→真实泛化差距大（高风险）] → 阶段②掺真实 benchmark 改写样本；评测以真实 benchmark 为准
+- [LLM 忽略 TS token] → 对比损失 + "必看时序"样本 + 消融实验定位
+- [回答 JSON 解析失败率高] → 训练强化格式约束 + 解析兜底（失败→全 0 计漏报）+ 单独报解析成功率
+- [GPT-4o judge 成本] → 仅评测 2k 样本调用；可换开源 judge 做 sanity
+- [TS Encoder 过拟合合成分布] → 成分参数随机化 + 多套合成配置 + 阶段②引入真实改写样本
+
+## Open Questions
+
+- TS Encoder 层数/d 是否需小规模 sweep（2 层是否够）
+- Patch P=8/stride=4 是否最优，是否需对比 P=16
+- 对比损失具体形式（InfoNCE vs 扰动一致性）与权重 λ
+- DPO 是否纳入首版（建议首版先不做，M5 后视效果决定）
+- 真实 benchmark 改写问答的数量与质量校验流程
+
+> 详细行为需求见 `specs/ts-synthesis/`、`specs/ts-multimodal-model/`、`specs/ts-evaluation/`；任务拆解见 `tasks.md`（M1→M5）。
@@ -0,0 +1,33 @@
+## Why
+
+当前 AIOps 场景下，多变量时序的异常检测与解释仍依赖专用模型，缺乏「以自然语言对时序提问、做根因/事件关联推理」的统一能力。基于 `MTSAD-技术深度调研报告.md`，沿用 ChatTS「时序作为新模态」路线，我们希望在**单张 3060 12GB 消费级显卡**上做一个可复现的实验性落地，验证「把多变量时序视为独立模态、与文本/事件模态联合注入小型 LLM」这一方法在算力受限条件下是否切实可行、且「时序模态」是否真带来可量化的增益。现在做是因为：0.5B 级开源 LLM 与 PEFT/LoRA 工具链已足够成熟，使该实验在消费级硬件上首次成为可能。
+
+## What Changes
+
+- **新增**：CPU 离线合成数据管线（成分模型 + 异常注入 + 事件耦合 + Evol-Instruct 指令/回答生成），产出对齐预训练与 SFT 用的 JSONL
+- **新增**：真实 benchmark（SMD/MSL/SMAP/SWaT/PSM）窗口加载与「异常段→问答对」改写（仅评测用，不进训练）
+- **新增**：TS Encoder（Patchify + 2 层 Transformer）+ Projector（Linear→LLM hidden），把时序编码为独立 soft token
+- **新增**：多模态拼接器，按 `[属性][时间戳][TS token][事件][问题]` 顺序组装文本 token 与 TS token 注入 LLM
+- **新增**：两阶段训练流程 —— 阶段①冻结 LLM 训 Encoder+Projector（对齐预训练）；阶段②叠加 LoRA(r=16) 做指令微调
+- **新增**：评测套件 —— 文本回答→JSON 区间→逐点分数解析；VUS-PR(主)/Affiliation-F1/AUC-PR/Point-F1(无PA)；LLM-judge + 规则解析双轨
+- **新增**：4 类同口径对照基线（纯 LLM 数值喂文本 / Time-LLM 风格重映射 / ChatTS(若可复现) / Trivial）
+- 骨干选用 **Qwen2.5-0.5B-Instruct**，BF16 + LoRA + 梯度检查点，目标阶段②峰值显存 ≤11GB
+
+## Capabilities
+
+### New Capabilities
+- `ts-synthesis`: CPU 离线合成数据管线——成分模型（趋势/周期/基线/噪声）、异常注入（尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移）、事件耦合、缺失/不规则模拟、属性词表采样，以及 Evol-Instruct 多轮指令与回答生成；附带真实 benchmark 加载与问答改写
+- `ts-multimodal-model`: 时序作为模态的多模态模型——TS Encoder + Projector + 多模态拼接（TS token 与文本/事件 token 联合注入 LLM），含阶段①对齐预训练与阶段②LoRA SFT 的训练/推理统一封装
+- `ts-evaluation`: 时序问答与异常检测评测套件——回答解析（文本→JSON 区间→逐点分数）、阈值无关指标（VUS-PR 主/Affiliation-F1/AUC-PR/Point-F1 无 PA）、LLM-judge + 规则双轨、4 类同口径基线对照、可复现评测报告
+
+### Modified Capabilities
+<!-- 无已存在 capability 的需求变更（本项目 specs/ 当前为空）。 -->
+
+## Impact
+
+- **新增代码**：独立 Python 项目 `ts-as-modality/`（`pyproject.toml` + `src/tsmm/{data,model,train,eval,utils}` + `scripts/` + `tests/` + `configs/`），与当前 spec/docs 工作区并列
+- **依赖**：torch、transformers、peft、accelerate、datasets、numpy、tqdm、pyyaml、pytest；评测依赖 `tsb_uad`（VUS-PR）；LLM-judge 评测时调用 OpenAI/GPT-4o API
+- **模型资产**：Qwen2.5-0.5B-Instruct 骨干（外部下载）；阶段①/② checkpoint 与合成数据产物体积较大，需 git-ignore（`data/`、`checkpoints/`）
+- **算力**：单张 3060 12GB；阶段①预估峰值 ~4-5GB，阶段②预估峰值 ~9-10GB；CPU 多进程用于离线合成
+- **存储**：合成数据约 2-3GB（流式加载），checkpoint 分阶段独立存放
+- **无 BREAKING 变更**：纯新增独立实验项目，不触碰现有任何代码/接口
@@ -0,0 +1,61 @@
+## ADDED Requirements
+
+### Requirement: 回答解析为逐点分数
+
+系统 SHALL 从模型自然语言回答中提取 JSON 异常段并生成逐点分数（段内 1.0，段外 0.0），解析失败时回退为全 0（计为漏报）并记录失败标记。
+
+#### Scenario: 多格式可解析
+- **WHEN** 输入含噪声/嵌套的多种回答格式
+- **THEN** 能正确解析出异常段并生成逐点分数 `[T]`
+
+#### Scenario: 解析失败有兜底
+- **WHEN** 回答无法解析
+- **THEN** 分数全 0 并记录失败标记（不计为成功）
+
+### Requirement: 阈值无关的异常检测指标
+
+系统 SHALL 以 VUS-PR 为异常检测主指标，并辅以 Affiliation-F1（λ=0.1/0.5/1.0）、AUC-PR、Point-F1（无 PA）；PA-F1 仅作对照、不得作为主指标。
+
+#### Scenario: trivial 基线不虚高
+- **WHEN** 对「全报异常」trivial 基线计算 VUS-PR
+- **THEN** VUS-PR 不虚高（避免评估作弊）
+
+#### Scenario: 对已知段算出合理值
+- **WHEN** 对已知异常段计算指标
+- **THEN** VUS-PR/Aff-F1/AUC-PR/Point-F1 均落在合理区间
+
+### Requirement: 问答评测双轨
+
+系统 SHALL 提供规则解析轨（JSON/数值容差比对，产准确率）与 LLM-judge 轨（对 `问题,时序摘要,参考答案,模型答案` 打 0-5 分），并对两轨不一致样本导出供人工抽检。
+
+#### Scenario: 产出 6 类任务评测结果
+- **WHEN** 对评测集运行问答评测
+- **THEN** 对 6 类任务各产出 `{规则准确率, judge 均分, 解析成功率}`
+
+### Requirement: 同口径对照基线
+
+系统 SHALL 提供 4 类同口径基线——纯 LLM 数值喂文本、Time-LLM 风格重映射、ChatTS（若不可复现则标注）、Trivial（Random/Constant/全报异常）——且全部走同一套解析+指标脚本。
+
+#### Scenario: 4 类基线产出同口径指标
+- **WHEN** 运行基线评测
+- **THEN** 4 类基线均在同一套 `parse_answer`+`ts_metrics` 下产出指标表
+
+### Requirement: 可复现评测报告
+
+系统 SHALL 提供一键评测脚本，产出 markdown 报告，覆盖每数据集×每任务的 VUS-PR/Aff-F1/AUC-PR/Point-F1/PA-F1(对照)/问答分/解析成功率/消融/基线对比，并明确标注是否使用 PA、含 trivial 对照。
+
+#### Scenario: 一键产出完整报告
+- **WHEN** 运行 `run_eval.sh`
+- **THEN** 产出满足设计规格 §5.4 必报清单的完整 markdown 报告
+
+### Requirement: 模态消融与泛化验证
+
+系统 SHALL 支持模态消融（去掉事件/属性/时序）与跨数据集泛化验证（如 SMD→MSL/SWaT），以证明时序模态确有贡献并暴露合成→真实差距。
+
+#### Scenario: 时序消融指标下降
+- **WHEN** 去掉时序模态后评测
+- **THEN** 关键指标（VUS-PR/问答分）明显低于完整模型，证明时序模态有贡献
+
+#### Scenario: 真实 benchmark 显著优于纯 LLM 基线
+- **WHEN** 在真实 benchmark 上对比完整模型与纯 LLM 数值喂文本基线
+- **THEN** VUS-PR 显著优于纯 LLM 基线
@@ -0,0 +1,73 @@
+## ADDED Requirements
+
+### Requirement: TS Encoder 把时序编码为 patch 表示
+
+系统 SHALL 通过通道独立的 Patchify（P=8, stride=4）将多变量时序切分为重叠 patch，并经 2 层 Transformer 编码器（d=256, 4 头）映射为时序 token 序列。
+
+#### Scenario: 形状正确
+- **WHEN** 输入形状 `[B, T=512, C=5]`
+- **THEN** 输出形状 `[B, 128, 256]`，且 TS Encoder 参数量约 4M
+
+#### Scenario: 通道独立
+- **WHEN** 通道数 C 变化（如 C=3 与 C=12）
+- **THEN** 编码器仍正常工作（通道独立 patchify，不因 C 增大失配）
+
+### Requirement: Projector 映射到 LLM 隐藏维
+
+系统 SHALL 提供线性投影层（256→896）+ LayerNorm，将 TS 表示映射到 Qwen2.5-0.5B 的隐藏维（896），作为可学习 soft token。
+
+#### Scenario: 投影对齐 LLM hidden
+- **WHEN** TS Encoder 输出 `[B, 128, 256]`
+- **THEN** Projector 输出 `[B, 128, 896]`，与 LLM 隐藏维一致
+
+### Requirement: 多模态拼接注入 LLM
+
+系统 SHALL 按 `[属性][时间戳][TS token][事件][问题]` 顺序组装文本 token 与 TS token，统一构造 `inputs_embeds`（文本走 `get_input_embeddings()`，TS 走 Projector 输出）+ `attention_mask` + `labels`（仅回答段非 -100），并约束总长度。
+
+#### Scenario: 拼接长度受限
+- **WHEN** 组装一个样本
+- **THEN** 拼接后序列长度 ≤1024 token
+
+#### Scenario: 回答段 mask 正确
+- **WHEN** 构造 labels
+- **THEN** prompt 段（属性/时序/事件/问题）token 的 label 为 -100，仅回答段非 -100
+
+### Requirement: 训练/推理统一封装
+
+系统 SHALL 提供统一封装，组合 TS Encoder + Projector + LLM + 可选 LoRA，`forward(batch)` 返回 loss、`generate(batch)` 返回文本，并支持阶段①（冻结 LLM）与阶段②（LoRA r=16 on q/v_proj）两种模式。
+
+#### Scenario: 单卡前向反向不 OOM
+- **WHEN** 在 3060 12GB 上以阶段①模式跑单 batch 前向+反向
+- **THEN** 不 OOM，loss 为有限值
+
+#### Scenario: 可生成文本
+- **WHEN** 调用 `generate(batch)`
+- **THEN** 返回文本（训练初期允许内容无意义，但流程通）
+
+### Requirement: 阶段①对齐预训练
+
+系统 SHALL 支持阶段①训练：冻结 LLM 主体，仅训 TS Encoder + Projector（AdamW），上下文 ≤512、BF16、梯度检查点，并对回答段计 LM loss，叠加对比损失（扰动时序→回答应变）以防止 LLM 忽略 TS token。
+
+#### Scenario: 冒烟跑通且省显存
+- **WHEN** 以 `--max_steps 100` 冒烟训练
+- **THEN** 不 OOM，loss 呈下降趋势，峰值显存 ≤6GB
+
+#### Scenario: TS token 被有效利用
+- **WHEN** 训练后对 held-out 样本比较原时序与扰动时序的回答
+- **THEN** 扰动后回答变化率 >50%
+
+### Requirement: 阶段②指令微调 SFT
+
+系统 SHALL 支持阶段②训练：加载阶段① checkpoint，叠加 LoRA r=16（q/v_proj）、LLM 其余冻结，上下文 ≤1024、BF16、梯度检查点，对回答段做 SFT LM loss。
+
+#### Scenario: 冒烟跑通且压在显存内
+- **WHEN** 以 `--max_steps 100` 冒烟训练
+- **THEN** 不 OOM，loss 下降，峰值显存 ≤11GB
+
+### Requirement: 分阶段 checkpoint 与断点续训
+
+系统 SHALL 为每个阶段独立存放 checkpoint（阶段① = Encoder+Projector；阶段②在此之上叠加 LoRA），支持断点续训（每 2000 step 存 ckpt，JSONL 流式加载支持任意 step 续）。
+
+#### Scenario: 分阶段互不污染
+- **WHEN** 加载阶段② checkpoint
+- **THEN** 其依赖的阶段① Encoder+Projector 权重与阶段② LoRA 适配器可分别回滚，互不污染
@@ -0,0 +1,77 @@
+## ADDED Requirements
+
+### Requirement: 可复现的合成时序生成
+
+系统 SHALL 提供 CPU 离线合成数据管线，通过可配置成分模型叠加生成多变量时序，且在给定随机种子下输出完全确定、可复现。
+
+#### Scenario: 给定种子输出确定
+- **WHEN** 使用相同 seed 调用 `generate_series(T, C, seed)` 两次
+- **THEN** 两次输出的时序数组逐点相等
+
+#### Scenario: 成分叠加覆盖典型形态
+- **WHEN** 生成一条时序
+- **THEN** 该时序由趋势/周期/基线/噪声（含高斯与重尾 Student-t）成分叠加而成，且各成分参数被记录为元数据
+
+### Requirement: 异常注入与精确标签
+
+系统 SHALL 支持向合成时序注入多类异常，并把异常段位置与逐点标签作为 ground-truth 自动记录，标签与异常位置一致。
+
+#### Scenario: 注入异常并记录逐点标签
+- **WHEN** 调用 `inject_anomaly(series, types)` 注入尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移中的任一类
+- **THEN** 返回 `(series, labels)`，其中 labels 为逐点 0/1，且 labels 中值为 1 的点与实际异常区间一致
+
+#### Scenario: 异常稀有性兜底
+- **WHEN** 生成用于训练的样本
+- **THEN** 每条样本至少包含 1 类异常，保证异常类指令任务有正样本
+
+### Requirement: 事件耦合
+
+系统 SHALL 支持在指定时间点注入事件相关的阶跃变化，并生成对应的事件文本描述，以支撑时序+事件联合推理。
+
+#### Scenario: 事件注入产生阶跃
+- **WHEN** 调用 `couple_event(series, t, kind)` 在时间 t 注入事件
+- **THEN** 时序在 t 处出现阶跃变化，并返回该事件的文本描述
+
+### Requirement: 缺失与不规则采样模拟
+
+系统 SHALL 支持随机丢弃部分时序点（用 NaN 占位），以模拟真实采集缺陷。
+
+#### Scenario: 按比例丢弃点
+- **WHEN** 调用 `add_missing(series, rate=0.05~0.10)`
+- **THEN** 约 5-10% 的点被置为 NaN 占位
+
+### Requirement: 属性词表采样
+
+系统 SHALL 提供变量名词表（CPU/内存/流量/延迟/温度/请求量等）、单位与采样率档位，并按通道数采样返回结构化属性。
+
+#### Scenario: 采样属性字段齐全
+- **WHEN** 调用 `sample_attributes(n_channels)`
+- **THEN** 返回长度为 n_channels 的列表，每项含 `name`、`unit`、`freq` 字段，且给定 seed 可复现
+
+### Requirement: 多类指令与回答生成
+
+系统 SHALL 支持 6 类指令任务（描述/统计、异常检测、根因/解释、预测、比较、事件关联），为每类生成指令，并产出可结构化解析的回答（异常类含 JSON 区间，统计类含数值，解释类含文本）。
+
+#### Scenario: 异常类回答可被解析
+- **WHEN** 生成异常检测类的指令与回答
+- **THEN** 回答中的 JSON 可被 `json.loads` 解析，且其异常段与 labels 吻合
+
+#### Scenario: 覆盖全部 6 类
+- **WHEN** 运行指令生成
+- **THEN** 6 类任务每类至少各产 1 条样本
+
+### Requirement: 离线批量生成 JSONL
+
+系统 SHALL 提供离线脚本多进程生成 JSONL 数据集，每条记录含 `series`/`attributes`/`timestamps`/`events`/`instruction`/`answer`/`labels`，并支持条数、输出路径、种子、并发数参数。
+
+#### Scenario: 小规模生成产出合法 schema
+- **WHEN** 运行 `gen_synthetic.py --n 1000`
+- **THEN** 抽样 5 条每条均含上述 7 个字段，schema 合规
+
+### Requirement: 真实 benchmark 加载与问答改写
+
+系统 SHALL 能加载真实多变量时序 benchmark 窗口（至少 SWaT 与 MSL/MSL 系列中的 2 个），做滑窗+归一化+异常标签对齐，并把异常段改写为问答对（仅评测用，不进训练）。
+
+#### Scenario: 加载并滑窗
+- **WHEN** 调用 `load_windows(name, T=512, stride=256)`
+- **THEN** 返回窗口形状 `[N, T, C]` 与标签形状 `[N, T]`，问答对非空
@@ -0,0 +1,45 @@
+# Tasks · ts-as-modality
+
+> 源自 `docs/superpowers/plans/2026-06-29-ts-as-modality-plan.md`（M1→M5）。
+> 每个里程碑末尾的「出口验证」为该阶段完成判据；建议先跑「冒烟路径」确认端到端通，再放大到全量。
+
+## 1. M1 · 数据管线
+
+- [ ] 1.1 项目脚手架：创建 `pyproject.toml`（torch/transformers/peft/accelerate/datasets/numpy/tqdm/pyyaml/pytest）、`src/tsmm/` 模块骨架、`configs/`、`scripts/`、`tests/`，并建 `data/`、`checkpoints/` 加 `.gitignore`（验证：`python -c "import tsmm"` 不报错；`pytest tests/` 可跑）
+- [ ] 1.2 属性词表与采样 `data/attributes.py`：定义变量名词表/单位/采样率档位，`sample_attributes(n_channels)` 返回结构化属性（验证：单测字段齐全、可复现）
+- [ ] 1.3 成分模型与时序合成 `data/synthesis.py`：`generate_series`（趋势+周期+基线+噪声）、`inject_anomaly`（尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移，返回逐点 labels+段元数据）、`couple_event`（t 处阶跃+事件文本）、`add_missing`（NaN 占位）（验证：给定 seed 确定；异常段与 labels 一致；事件处有阶跃）
+- [ ] 1.4 指令与回答生成 `data/instruct.py`：6 类指令模板（描述/异常/根因/预测/比较/事件关联）+ Evol-Instruct 演化，`build_instruction` 产 JSON 区间/数值/文本回答（验证：异常类 JSON 可 `json.loads` 且段与 labels 吻合）
+- [ ] 1.5 离线生成脚本 `scripts/gen_synthetic.py`：多进程产 `align.jsonl`(50万)/`sft.jsonl`(10万)/`eval_synth.jsonl`(2k held-out)，支持 `--n/--out/--seed/--workers` + tqdm（验证：`--n 1000` 跑通，抽样 5 条 schema 合规）
+- [ ] 1.6 真实 benchmark 加载 `data/real_bench.py`：加载 SMD/MSL/SMAP/SWaT/PSM（至少 2 个），`load_windows(T=512, stride=256)` 滑窗+归一化+标签，异常段改写问答对存 `eval_real.jsonl`（验证：窗口形状 `[N,T,C]`、标签 `[N,T]`、问答非空）
+- [ ] 1.7 M1 出口验证：`gen_synthetic.py --n 1000` 产可视检合法 JSONL；`real_bench.py` 加载 ≥2 数据集；人工抽看 5 条合成样本确认成分/异常/事件正确
+
+## 2. M2 · 模型可跑通
+
+- [ ] 2.1 TS Encoder `model/ts_encoder.py`：`Patchify(patch=8, stride=4)` 通道独立切 patch 线性嵌入到 d=256；`TSEncoder(d=256, layers=2, heads=4)` 2 层 TF + 可学习位置编码；前向 `[B,T,C]`→`[B,n_patches,256]`（验证：输入 `[2,512,5]`→`[2,128,256]`，参数 ≈4M）
+- [ ] 2.2 Projector `model/projector.py`：`Linear(256→896)+LayerNorm`（验证：输出 `[B,128,896]` 对齐 Qwen2.5-0.5B hidden）
+- [ ] 2.3 多模态拼接 `model/multimodal.py`：Qwen tokenizer tokenize 文本部分，TS token 作 inputs_embeds 插入 `[属性][时间戳][TS tok][事件][问题]`，统一构造 inputs_embeds+attention_mask+labels（仅回答段非 -100）（验证：seq_len ≤1024，mask/labels 形状对）
+- [ ] 2.4 训练/推理封装 `model/wrapper.py`：`MultimodalTSModel` 组合 Encoder+Projector+LLM+LoRA 挂载开关，`forward` 返 loss、`generate` 返文本，支持 `freeze_llm`(阶段①)/`enable_lora(r=16)`(阶段②)（验证：单 batch forward 3060 不 OOM；generate 能出文本）
+- [ ] 2.5 Collator `data/collator.py`：JSONL→batch 张量，处理变长 C（padding+mask）与变长文本（padding+attention_mask）（验证：batch=4 张量形状一致无 NaN）
+- [ ] 2.6 M2 出口验证：单 batch 前向+反向在 3060 跑通，loss 有限且下降趋势，阶段①模式峰值显存 ~5GB
+
+## 3. M3 · 阶段①对齐训练
+
+- [ ] 3.1 损失函数 `train/losses.py`：`lm_loss`（仅回答段计 loss）、`contrastive_loss`（扰动时序→回答 embedding 变化，InfoNCE/扰动一致性），总 loss=`lm_loss+λ*contrastive_loss`（λ 默认 0.1）（验证：loss 标量可反传，对比损失对扰动敏感）
+- [ ] 3.2 阶段①训练脚本 `train/stage1.py`+`scripts/train_stage1.sh`：加载 `align.jsonl` 流式，`freeze_llm=True` 仅训 Encoder+Projector（AdamW, lr=1e-4），bs=8/grad_accum=4/ctx=512/BF16/梯度检查点，每 2000 step 存 ckpt + TensorBoard（验证：`--max_steps 100` 冒烟不 OOM、loss 下降、峰值显存 ≤6GB）
+- [ ] 3.3 TS-token 有效性检验：held-out 原时序 vs 扰动时序回答变化率 + 「必看时序」样本答对率对照纯 LLM（验证：扰动后变化率 >50%，必看时序答对率显著高于纯 LLM）
+- [ ] 3.4 M3 出口验证：阶段① ckpt 产出；扰动检验通过；峰值显存 ≤6GB（失败回查对比损失权重/数据质量）
+
+## 4. M4 · 阶段②SFT
+
+- [ ] 4.1 阶段②训练脚本 `train/stage2.py`+`scripts/train_stage2.sh`：加载阶段① ckpt，`enable_lora(r=16)` on q/v_proj 其余冻结，加载 `sft.jsonl`，bs=4/grad_accum=8/ctx=1024/BF16/梯度检查点，每 2000 step 存含 LoRA ckpt（验证：`--max_steps 100` 冒烟不 OOM、loss 下降、峰值显存 ≤11GB）
+- [ ] 4.2 指令遵循抽检：6 类任务各取 10 条 held-out 检查回答（异常类 JSON 可解析+段合理；解释类切题引用事件）（验证：6 类回答可用率 >70%，JSON 解析成功率 >80%）
+- [ ] 4.3 M4 出口验证：阶段② ckpt 产出；6 类任务抽检达标；峰值显存 ≤11GB（OOM 则降 bs=2/grad_accum=16、`adamw_8bit`+CPU offload、ctx 降到 768）
+
+## 5. M5 · 完整评测
+
+- [ ] 5.1 回答解析 `eval/parse_answer.py`：文本回答→JSON 异常段→逐点分数 `[T]`，失败→全 0+失败标记（验证：多格式可解析、失败有兜底）
+- [ ] 5.2 异常检测指标 `eval/ts_metrics.py`：`tsb_uad` 算 VUS-PR(主)，自实现 Affiliation-F1(多 λ)/AUC-PR/Point-F1(无PA)，PA-F1 单独对照（验证：已知段算出合理值；trivial 全报异常 VUS-PR 不虚高）
+- [ ] 5.3 问答评测 `eval/qa_judge.py`：规则解析轨（JSON/数值容差→准确率）+ LLM-judge 轨（GPT-4o 打 0-5 分），不一致样本导出抽检（验证：对 eval 集产出 6 类任务的 {规则准确率,judge 均分,解析成功率}）
+- [ ] 5.4 对照基线 `eval/baselines.py`：纯 LLM 数值喂文本 / Time-LLM 风格重映射 / ChatTS(若可复现) / Trivial(Random/Constant/全报异常)，全走同一套 parse+metrics（验证：4 类基线产出同口径指标表）
+- [ ] 5.5 评测脚本与报告 `scripts/run_eval.sh`：跑 `eval_synth.jsonl`+`eval_real.jsonl`，产 `reports/eval-YYYYMMDD.md`（含每数据集×每任务全部必报指标、标注是否用 PA、含 trivial 对照）（验证：一键产出满足设计规格 §5.4 必报清单的完整报告）
+- [ ] 5.6 M5 出口验证：报告满足设计规格 §6.5 成功标准——真实 benchmark VUS-PR 显著优于纯 LLM 基线；时序消融后指标明显下降；问答均分超基线；评测可复现含 trivial