[LG]《Align-RAG: Alignment Is All You Need for TSFM In-Context Learning》M Asadi, S Hor, B Akhbari, J W. O'Sullivan… [Stanford University & Amazon] (2026)

在时间序列预测领域，如何让冻结的基础模型利用检索信息适应新数据是一个悬而未决的难题。过去的方法普遍依赖于训练一个额外的融合模块来整合信息，本质原因是认为模型自身缺乏动态理解和利用外部上下文的能力。

本文的核心洞见是：把“如何融合信息”的问题重新看作“如何对齐信息”。由此，通过一个纯数学变换，对检索到的时间序列进行幅值和相位对齐，使其与查询序列的形态和节奏匹配，这一关键操作直接让冻结模型理解并利用了上下文。

这项工作真正留下的遗产是证明了“对齐”比“融合”更关键，为检索增强预测树立了一个无需训练的强大基线。它为后来者打开的新门是，直接挖掘并信任冻结模型已有的上下文学习潜力。但尚未跨过的门槛是，其效果根本上依赖于检索库中是否存在可供对齐的相似模式。

arxiv.org/abs/2608.05571 机器学习 人工智能 论文 AI创造营