ts-as-modality/docs/superpowers/plans/2026-06-29-ts-as-modality-plan.md

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 日期：2026-06-29 目标：把规格拆成有序、可验证的实现任务，按里程碑 M1→M5 推进 原则：每个任务都有明确的"完成判定"（可跑一条命令/测试验证）；任务间依赖清晰；先建最小可跑通骨架，再迭代填充

---

阶段总览

M1 数据管线 ──► M2 模型可跑通 ──► M3 阶段①对齐训练 ──► M4 阶段②SFT ──► M5 完整评测
 (data)         (model)            (train stage1)        (train stage2)    (eval)
   └─ 合成+真实    └─ TS Encoder      └─ 50万 2-3ep        └─ 10万 3ep      └─ VUS-PR/问答/基线

每里程碑结束有"出口验证"，通过才进下一个。首版先做"小规模冒烟"（数据 1k、训练几十步）确认管线通，再放大到全量。

---

M1 · 数据管线

目标：能产出合法 JSONL 样本（合成）+ 能加载真实 benchmark 窗口。

T1.1 项目脚手架

• 创建 pyproject.toml：依赖 torch, transformers, peft, accelerate, datasets, numpy, tqdm, pyyaml, pytest
• 创建 src/tsmm/__init__.py、configs/、scripts/、tests/ 目录骨架
• 建 data/、checkpoints/ 并加 .gitignore
• 完成判定：python -c "import tsmm" 不报错；pytest tests/ 能跑（哪怕空）

T1.2 属性词表与采样 data/attributes.py

• 定义变量名词表（CPU/内存/流量/延迟/温度/请求量…）、单位、采样率档位
• sample_attributes(n_channels) → 返回 [{"name","unit","freq"}, ...]
• 完成判定：单元测试 tests/test_attributes.py — 采样结果字段齐全、数量正确、可复现（设 seed）

T1.3 成分模型与时序合成 data/synthesis.py

• 实现 generate_series(T, C, seed)：趋势+周期+基线+噪声（高斯/Student-t）叠加
• 实现 inject_anomaly(series, types)：尖刺/水平偏移/方差膨胀/缺失段/缓慢漂移，返回 (series, labels)，labels 为逐点 0/1 + 段元数据
• 实现 couple_event(series, t, kind)：在 t 注入阶跃并返回事件文本描述
• 实现 add_missing(series, rate)：随机丢弃 5-10% 点（用 NaN 占位）
• 完成判定：tests/test_synthesis.py — 给定 seed 输出确定；异常段位置与 labels 一致；事件 t 处确有阶跃；可视化 1 条样本人工确认形态合理

T1.4 指令与回答生成 data/instruct.py

• 定义 6 类指令模板（描述/异常/根因/预测/比较/事件关联）
• build_instruction(series_meta, labels, events, category) → (instruction, answer)，answer 含 JSON 区间（异常类）或数值（统计类）或文本（解释类）
• Evol-Instruct 演化：用模板组合 + 随机改写生成多样化问法
• 完成判定：tests/test_instruct.py — 每类至少产 1 条，answer 的 JSON 可被 json.loads 解析；异常类 answer 段与 labels 吻合

T1.5 离线生成脚本 scripts/gen_synthetic.py

• 多进程跑 T1.2-T1.4，产出 data/align.jsonl（50万）+ data/sft.jsonl（10万，Evol 演化）+ data/eval_synth.jsonl（2k held-out，固定 seed）
• 支持 --n、--out、--seed、--workers 参数；带 tqdm 进度
• 完成判定：python scripts/gen_synthetic.py --n 1000 跑通；抽样 5 条人工可视检 schema 合规（含 series/attributes/timestamps/events/instruction/answer/labels）

T1.6 真实 benchmark 加载 data/real_bench.py

• 加载 SMD/MSL/SMAP/SWaT/PSM（先用本地缓存或公开下载脚本；若无现成包，至少实现 SWaT/MSL 两个）
• load_windows(name, T=512, stride=256) → 滑窗 + 归一化 + 异常标签
• 用 LLM/模板把异常段转成问答对（评测用，不进训练），存 data/eval_real.jsonl
• 完成判定：能加载至少 2 个数据集；窗口形状 [N, T, C]；标签形状 [N, T]；问答对非空

M1 出口验证：gen_synthetic.py --n 1000 产出可视检合法的 JSONL；real_bench.py 能加载 ≥2 数据集。人工抽看 5 条合成样本确认成分/异常/事件正确。

---

M2 · 模型可跑通

目标：TS Encoder + Projector + 多模态拼接能在 3060 上前向+反向不 OOM。

T2.1 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 Transformer + 可学习位置编码
• 前向：[B, T, C] → [B, n_patches, 256]
• 完成判定：tests/test_ts_encoder.py — 随机输入 [2, 512, 5] 输出 [2, 128, 256]；参数量 ≈4M

T2.2 Projector model/projector.py

• Projector(256 → 896)：Linear + LayerNorm
• 完成判定：输出 [B, 128, 896] 对齐 Qwen2.5-0.5B hidden

T2.3 多模态拼接 model/multimodal.py

• 用 Qwen2.5-0.5B tokenizer 把 [属性][时间戳][事件][问题] 文本 tokenize
• 把 TS token（[B,128,896]）作为 inputs_embeds 插入对应位置：[属性][时间戳][TS tok][事件][问题]
• 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）
• 完成判定：tests/test_multimodal.py — 拼接后 seq_len ≤1024；mask/labels 形状对；回答段 label 非 -100

T2.4 训练/推理封装 model/wrapper.py

• MultimodalTSModel：组合 TS Encoder + Projector + LLM + LoRA 挂载开关
• forward(batch) 返回 loss；generate(batch) 返回文本
• 支持 freeze_llm（阶段①）和 enable_lora(r=16)（阶段②）两种模式
• 完成判定：单 batch forward 在 3060 不 OOM；generate 能出文本（哪怕乱码）

T2.5 Collator data/collator.py

• 把 JSONL 样本 batch 化为 (series, attributes, timestamps, events, instruction, answer) → 张量
• 处理变长 C（padding + mask）、变长文本（padding + attention_mask）
• 完成判定：tests/test_collator.py — batch=4 输出张量形状一致、无 NaN

M2 出口验证：单 batch 前向+反向在 3060 跑通，loss 是有限值且下降趋势；阶段①模式峰值显存 ~5GB。

---

M3 · 阶段① 对齐训练

目标：50万条 2-3 epoch，TS token 不被忽略。

T3.1 损失函数 train/losses.py

• lm_loss(logits, labels)：仅回答段计 LM loss（labels mask）
• contrastive_loss(model, batch)：扰动时序（加噪/平移）→ 回答 embedding 应变化（InfoNCE 或扰动一致性）
• 总 loss = lm_loss + λ * contrastive_loss（λ 可配，默认 0.1）
• 完成判定：tests/test_losses.py — loss 标量、可反传、对比损失对扰动敏感

T3.2 阶段① 训练脚本 train/stage1.py + scripts/train_stage1.sh

• 加载 data/align.jsonl（datasets 流式）
• freeze_llm=True，仅训 TS Encoder + Projector（AdamW, lr=1e-4）
• 配置：bs=8, grad_accum=4, ctx=512, BF16, 梯度检查点
• 每 2000 step 存 ckpt 到 checkpoints/stage1/，TensorBoard 记录
• 完成判定：--max_steps 100 冒烟跑通不 OOM；loss 下降；峰值显存 ≤6GB

T3.3 TS-token 有效性检验

• 训练后取 held-out 样本：原时序 vs 扰动时序，对比模型回答是否变化
• "必看时序"样本：问具体数值/段位置，看模型能否答对
• 完成判定：扰动后回答变化率 >50%；"必看时序"样本答对率显著高于纯 LLM 基线

M3 出口验证：阶段① ckpt 产出；扰动检验通过；显存 ≤6GB。失败则回查对比损失权重/数据质量。

---

M4 · 阶段② SFT

目标：10万条 Evol-Instruct 3 epoch + LoRA，6 类任务遵循指令。

T4.1 阶段② 训练脚本 train/stage2.py + scripts/train_stage2.sh

• 加载阶段① ckpt（TS Encoder + Projector）
• enable_lora(r=16) on q/v_proj，LLM 其余冻结
• 加载 data/sft.jsonl，配置：bs=4, grad_accum=8, ctx=1024, BF16, 梯度检查点
• 每 2000 step 存 ckpt（含 LoRA 适配器）到 checkpoints/stage2/
• 完成判定：--max_steps 100 冒烟跑通；峰值显存 ≤11GB；loss 下降

T4.2 指令遵循抽检

• 6 类任务各取 10 条 held-out，人工/规则看回答是否遵循格式与语义
• 异常类：JSON 可解析、段位置合理
• 解释类：回答切题、引用事件
• 完成判定：6 类任务回答可用率 >70%；JSON 解析成功率 >80%

M4 出口验证：阶段② ckpt 产出；6 类任务抽检达标；显存 ≤11GB。若 OOM 按风险对策降批量/开 CPU offload。

---

M5 · 完整评测

目标：产出 VUS-PR/Aff-F1/问答分 + 4 类基线对比。

T5.1 回答解析 eval/parse_answer.py

• 从模型文本回答中提取 JSON 异常段 → 逐点分数 [T]（段内 1.0，段外 0.0）
• 解析失败 → 全 0 + 记录失败标记
• 完成判定：tests/test_parse.py — 多种回答格式（含噪声/嵌套）能解析；失败有兜底

T5.2 异常检测指标 eval/ts_metrics.py

• 用 tsb_uad 算 VUS-PR（主）；自实现 Affiliation-F1（λ=0.1/0.5/1.0）、AUC-PR、Point-F1(无PA)
• PA-F1 单独算作对照
• 完成判定：tests/test_ts_metrics.py — 对已知段能算出合理值；trivial 基线（全报异常）VUS-PR 不虚高

T5.3 问答评测 eval/qa_judge.py

• 规则解析轨：JSON/数值容差比对，产出准确率
• LLM-judge 轨：调 GPT-4o 对 (问题,时序摘要,参考答案,模型答案) 打 0-5 分（可换开源 judge 做 sanity）
• 不一致样本导出供人工抽检
• 完成判定：能对 eval 集产出 6 类任务的 {规则准确率, judge 均分, 解析成功率}

T5.4 对照基线 eval/baselines.py

• 纯 LLM 数值喂文本：时序数值拼字符串喂 Qwen2.5-0.5B，同评测脚本
• Time-LLM 风格重映射：同样 0.5B 骨干（简化复现）
• ChatTS（若可复现则纳入，否则标注未复现）
• Trivial：Random / Constant / 全报异常
• 全部走同一套 parse_answer + ts_metrics，保证同口径
• 完成判定：4 类基线均产出同口径指标表

T5.5 评测脚本与报告 scripts/run_eval.sh

• 跑 eval_synth.jsonl + eval_real.jsonl，产出 markdown 报告 reports/eval-YYYYMMDD.md
• 报告含：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
• 标注是否用 PA、含 trivial 对照
• 完成判定：一键 run_eval.sh 产出完整报告；报告满足规格 §5.4 必报清单

M5 出口验证：报告满足规格 §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。

---

执行顺序与依赖

T1.1 ─► T1.2 ─► T1.3 ─► T1.4 ─► T1.5 ┐
                                       ├─► [M1 出口] ─► T2.1 ─► T2.2 ─► T2.3 ─► T2.4 ─► T2.5 ─► [M2 出口]
                  T1.6 ────────────────┘                                                          │
                                                                                                  ▼
                                                      T3.1 ─► T3.2 ─► T3.3 ─► [M3 出口]
                                                                                                  │
                                                                                                  ▼
                                                      T4.1 ─► T4.2 ─► [M4 出口]
                                                                                                  │
                                                                                                  ▼
                                         T5.1 ─► T5.2 ┐
                                         T5.3 ────────┼─► T5.4 ─► T5.5 ─► [M5 出口]

风险触发时的回退

• M2 OOM：先降 ctx 到 256 / bs 到 2；仍不行退到只验证阶段①模式
• M3 TS token 被忽略：提升对比损失 λ；增加"必看时序"样本占比；检查 Projector 是否饱和
• M4 OOM：降 bs=2/grad_accum=16；开 optim=adamw_8bit + CPU offload；ctx 降到 768
• M5 合成→真实泛化差：在阶段②掺入 real_bench 改写样本重训；报告以真实 benchmark 为准

首次跑通的"冒烟路径"（先做这个）

不等全量数据，先用最小路径确认端到端通：

1. gen_synthetic.py --n 200 产小数据
2. T2.1-T2.4 单 batch 跑通
3. stage1.py --max_steps 50 + stage2.py --max_steps 50 冒烟
4. run_eval.sh 在 200 样本上产出报告骨架

冒烟通过后再放大到 M1 全量数据 + 完整训练。

---

本计划把规格拆成 22 个任务、5 个带出口验证的里程碑。每个任务有"完成判定"可独立验证。建议从"冒烟路径"开始，确认端到端通后再放大规模。