ts-as-modality/docs/diagnosis-2026-07-02-cross-domain.md

诊断报告 · ts-as-modality 跨域泛化失败与方案封存

日期：2026-07-02 状态：方案封存（资产保留，不再投入） 决定性问题：合成域有效的「TS-as-modality」方案，能否泛化到真实时序？

---

TL;DR

方案在合成域内有效，但在真实时序上跨实体泛化失败——同一 SMD 数据集、同样 38 通道、仅换了机器（machine-1 → machine-2），模型输出从合法 JSON 崩溃为 repetition garbage。证据链完整指向：TS encoder 学到的是数据集/机器特有模式，而非可泛化的时序表征。方案作为研究性 PoC 划定了清晰的能力边界，但当前架构无法支撑「通用时序理解」这一目标，故封存。

---

完整诊断链

阶段 1：合成域内验证（成立）

在全量合成数据（50 万对齐 + 10 万 SFT）训练后：

指标	model	pure_llm	结论
时序消融 change_rate	0.98/50	—	TS token 确实被消费 ✅
QA 均分（6 类）	2.41	0.90 (2.7×)	TS 模态是必要非装饰 ✅
anomaly JSON 解析率	0.98	0.01	格式学习成功 ✅
VUS-PR	0.22	0.24	⚠️ 输给 trivial baseline

阶段 1 结论：机制可行，QA 能力真实，但异常精准定位弱（VUS-PR 输 trivial）。

阶段 2：zero-shot 跨域（崩溃）

用未微调的合成 ckpt 直接评测真实 SMD（machine-1/2/2-1 合并，prevalence 5.8% vs 合成 26%）：

指标	model（real）	解读
parse_rate	0.00	没有任何输出可解析
Aff-F1	0.00	完全无定位能力
QA mean	0.00	vs synth 的 2.41
VUS-PR	0.2263	= all_report，是假象

输出样本（repetition collapse，LLM 在 OOD 输入下的典型崩溃）：

'ERYoticaisonaisonanxietyaisonaisonanaisonanaison...'
'horizon: horizon: horizon: horizon: horizon:...'

VUS-PR=0.2263 的真相：模型输出全是 garbage → parse_anomaly_segments 失败 → answer_to_point_scores 返回全 0 → vus_pr(全0, y) 退化为 prevalence（=0.226）。所以「VUS-PR 与 trivial 持平」是假象，模型实际什么都没做，只是被 prevalence 下限兜住了。这是一个评测陷阱：低质量输出在低 prevalence 下会被误读为「不算太差」。

干扰变量排除：改写 instruction（短措辞 / 通用模板）后输出仍是 garbage，排除「指令过长/格式不兼容」因素，确认是 TS embedding 的分布偏移所致：

• 通道数：5（合成）→ 38（SMD）
• 数值分布：合成 mean46/std23 vs SMD z-score 后 mean0/std0.6

阶段 3：SMD 微调（训练域内有效）

从 stage2_final 继续训 LoRA on SMD train（machine-1-1/1-2，141 样本，500 步，EMA 1.27→1.00）：

训练域内输出（machine-1-1/1-2，微调后）：

{"anomaly_regions": [{"start": 309, "end": 412}], "n_regions": 1}  ✅
{"anomaly_regions": [{"start": 0, "end": 136}], "n_regions": 1}    ✅
{"anomaly_regions": [{"start": 103, "end": 126}], "n_regions": 1}  ✅

4/5 产出合法 JSON，格式与语义均正确。机制在训练域内正常工作。

阶段 4：跨实体 held-out（崩溃，决定性）

用同一个微调后模型评测 SMD held-out（machine-2-1，同数据集/同 38 通道/同样 z-score 分布，仅换机器）：

[anomaly] '{"}</seo_http>\xa0\n\xa0\n\xa0\n\n\xa0\xa0 (since)...'   ❌
[anomaly] '{"id": 1, "name": "nan</sk_inch_regions> \n\n\n...'        ❌
[describe] '------------{"}</ewanewanewanewanewanewanewan...'          ❌

全 garbage。从训练域内（machine-1）到 held-out（machine-2），输入分布的偏移仅仅是「换了台服务器」，模型就从「会」变成「完全不会」。

---

根因分析

不是评测管道 bug、不是数据量不足、不是指令格式问题、不是通道数不匹配（held-out 也是 38 通道）。

根因是 TS encoder 学到的是数据集/机器特有的统计特征，而非可泛化的时序表征：

1. 架构容量不足：TS encoder 仅 2 层 TF + patch 线性嵌入，~2.1M 参数。这个容量足以「记忆」machine-1 的分布特征，但不足以学到「时序形态→语义」的通用映射。
2. 训练分布单一：仅在合成数据上训练 encoder/projector，合成分布的特征（固定 5 通道、特定数值范围、模板化异常形态）被编码进了表征。
3. 泛化瓶颈在 encoder 侧：LoRA 只调 LLM，但 LLM 侧（语言能力）本来就没问题——崩溃发生在 encoder 输出的 TS embedding 严重偏离 LLM 能理解的流形时。
4. 微调样本不足：141 样本对 encoder 2.1M 参数，学到的更像「记忆 machine-1」而非「适应 SMD 通用分布」。

这是一个架构性而非工程性短板：轻量 TS encoder + 单分布训练的组合，决定了它无法跨实体泛化。

---

方案意义与边界（诚实评估）

成立的部分 ✅

• TS 模态融合机制可行：证明 soft token 能承载时序信息并被 LLM 消费（非被忽略的噪声）。
• 合成域内 QA 能力真实：2.7× 于 pure_llm，TS 模态对时序问答有实质增益。
• 工程管线完整可复现：合成数据、训练、断点续训、评测全链路跑通，含真实数据接入。

未立住的部分 ❌

• 跨实体泛化失败：同数据集换机器就崩溃，不能称为「理解时序」。
• 作为异常检测器：合成域 VUS-PR 输 trivial，真实域 zero-shot 完全失效。
• zero-shot 跨域能力：不存在。

方案定位

作为「轻量 TS-modality 融合」的研究性 PoC，其核心价值在于清晰、诚实地划定了能力边界：合成域内可行，但当前架构无法泛化到真实时序。这是一个有价值的负结果——它明确排除了「0.5B LLM + 2 层 TS encoder + 单分布合成训练」这条路线做通用时序理解的可能性，优于任何「看起来 work 但未测跨域」的结果。

---

资产清单（封存保留）

代码（git-tracked）：

• src/tsmm/：data/model/train/eval 完整模块
• scripts/：gen/train/eval 监督脚本（含流式+断点续训）
• tests/：158 单测全绿

数据/模型（git-ignore，本地保留）：

• data/align.jsonl（50万）、sft.jsonl（10万）、eval_synth.jsonl（2k held-out）
• data/real/smd/（SMD 3 机合并 npy）、data/eval_real.jsonl（machine-2-1 held-out）、data/smd_ft/sft.jsonl（machine-1-1/1-2 微调集）
• checkpoints/stage1/stage1_final.pt（31250 步）、checkpoints/stage2/（9375 步 + lora）、checkpoints/stage2_smd/（SMD 微调 500 步）
• data/small_scale_backup/（小规模对比备份）

报告（git-tracked，reports/）：

• eval-2026-06-30.md：小规模首评（40/类）
• eval-2026-07-01.md：全量重训评测（synth 全量 2000）
• eval-2026-07-02.md：真实数据评测（synth + real，zero-shot 崩溃记录）
• instruct_check.json：T4.2 指令遵循抽检

---

重启条件

若未来重启本方案，需满足以下任一前提（按预期 ROI 排序）：

1. 更大 encoder + 真实数据从头训练：encoder >10M 参数，且用真实多数据集从头训练（非仅微调），让 encoder 有足够容量和分布覆盖学到通用表征。
2. channel-agnostic patch 策略：消除「通道数」这一硬约束（当前 patch embed 固定 5 通道，是跨域的物理障碍），如 per-channel 独立编码后聚合。
3. 多真实数据集混合训练验证泛化：在 SMD/SWaT/PSM 等多个真实数据集上联合训练，并在完全 held-out 的数据集上验证——只有这种泛化成立，方案才算「通用」。

在以上任一条件未满足前，本方案不再投入。