[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KimMeen--Time-LLM":3,"tool-KimMeen--Time-LLM":61},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":96,"env_deps":98,"category_tags":112,"github_topics":114,"view_count":24,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":128,"updated_at":129,"faqs":130,"releases":159},10005,"KimMeen\u002FTime-LLM","Time-LLM","[ICLR 2024] Official implementation of \" 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models\"","Time-LLM 是一个创新性的开源框架，旨在让大型语言模型（LLM）直接胜任时间序列预测任务。传统上，处理气象、能源或金融等时序数据需要专门的深度学习模型，而 Time-LLM 创造性地将时序分析转化为大模型擅长的“语言任务”，无需修改大模型内部结构即可实现高效预测。\n\n该工具主要解决了通用大模型难以直接理解数值型时序数据的难题。它通过两项核心技术实现突破：一是将输入的时间序列数据重编程为文本原型表示，使其更符合大模型的认知习惯；二是引入包含领域专家知识和任务指令的声明式提示词，引导大模型进行逻辑推理。这种方法不仅保留了预训练大模型的强大泛化能力，还显著提升了在少样本场景下的预测精度。\n\nTime-LLM 非常适合人工智能研究人员、数据科学家以及希望探索大模型新应用的开发者使用。项目代码基于 PyTorch 构建，支持 Llama、GPT-2 和 BERT 等多种主流骨干网络，并已被集成到 NeuralForecast 和 PyPOTS 等知名库中。无论是学术研究还是工业界的太阳能发电预测、天气分析等实际场景，Time-LLM 都提供了一个灵活且强大的解决方案，帮助使用者轻松跨越时序","Time-LLM 是一个创新性的开源框架，旨在让大型语言模型（LLM）直接胜任时间序列预测任务。传统上，处理气象、能源或金融等时序数据需要专门的深度学习模型，而 Time-LLM 创造性地将时序分析转化为大模型擅长的“语言任务”，无需修改大模型内部结构即可实现高效预测。\n\n该工具主要解决了通用大模型难以直接理解数值型时序数据的难题。它通过两项核心技术实现突破：一是将输入的时间序列数据重编程为文本原型表示，使其更符合大模型的认知习惯；二是引入包含领域专家知识和任务指令的声明式提示词，引导大模型进行逻辑推理。这种方法不仅保留了预训练大模型的强大泛化能力，还显著提升了在少样本场景下的预测精度。\n\nTime-LLM 非常适合人工智能研究人员、数据科学家以及希望探索大模型新应用的开发者使用。项目代码基于 PyTorch 构建，支持 Llama、GPT-2 和 BERT 等多种主流骨干网络，并已被集成到 NeuralForecast 和 PyPOTS 等知名库中。无论是学术研究还是工业界的太阳能发电预测、天气分析等实际场景，Time-LLM 都提供了一个灵活且强大的解决方案，帮助使用者轻松跨越时序分析与自然语言处理之间的技术鸿沟。","\u003Cdiv align=\"center\">\n  \u003C!-- \u003Ch1>\u003Cb> Time-LLM \u003C\u002Fb>\u003C\u002Fh1> -->\n  \u003C!-- \u003Ch2>\u003Cb> Time-LLM \u003C\u002Fb>\u003C\u002Fh2> -->\n  \u003Ch2>\u003Cb> (ICLR'24) Time-LLM: Time Series Forecasting by Reprogramming Large Language Models \u003C\u002Fb>\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002FKimMeen\u002FTime-LLM?color=green)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FKimMeen\u002FTime-LLM?color=yellow)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FKimMeen\u002FTime-LLM?color=lightblue)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-Welcome-green)\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n**[\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.01728\">Paper Page\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6sFiNExS3nI\">YouTube Talk 1\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L-hRexVa32k\">YouTube Talk 2\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmedium.com\u002Ftowards-data-science\u002Ftime-llm-reprogram-an-llm-for-time-series-forecasting-e2558087b8ac\">Medium Blog\u003C\u002Fa>]**\n\n**[\u003Ca href=\"https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2024-04-15?from=synced&keyword=TIME-LLM\">机器之心中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FUL_Kl0PzgfYHOnq7d3vM8Q\">量子位中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FFSxUdvPI713J2LiHnNaFCw\">时序人中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FnUiQGnHOkWznoBPqM0KHXg\">AI算法厨房中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F676256783\">知乎中文解读\u003C\u002Fa>]**\n\n\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_f34a0a0b782d.png\" width=\"70\">\n\n\u003C\u002Fp>\n\n---\n>\n> 🙋 Please let us know if you find out a mistake or have any suggestions!\n> \n> 🌟 If you find this resource helpful, please consider to star this repository and cite our research:\n\n```\n@inproceedings{jin2023time,\n  title={{Time-LLM}: Time series forecasting by reprogramming large language models},\n  author={Jin, Ming and Wang, Shiyu and Ma, Lintao and Chu, Zhixuan and Zhang, James Y and Shi, Xiaoming and Chen, Pin-Yu and Liang, Yuxuan and Li, Yuan-Fang and Pan, Shirui and Wen, Qingsong},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2024}\n}\n```\n\n## Updates\u002FNews:\n🚩 **News** (Oct. 2025): Time-LLM has been cited 1,000 times in the past two years! 🎉 We are deeply grateful to the community for the incredible support along the journey.\n\n🚩 **News** (Aug. 2024): Time-LLM has been adopted by XiMou Optimization Technology Co., Ltd. (XMO) for Solar, Wind, and Weather Forecasting.\n\n🚩 **News** (Oct. 2024): Time-LLM has been included in [PyPOTS](https:\u002F\u002Fpypots.com\u002F). Many thanks to the PyPOTS team!\n\n🚩 **News** (May 2024): Time-LLM has been included in [NeuralForecast](https:\u002F\u002Fgithub.com\u002FNixtla\u002Fneuralforecast). Special thanks to the contributor @[JQGoh](https:\u002F\u002Fgithub.com\u002FJQGoh) and @[marcopeix](https:\u002F\u002Fgithub.com\u002Fmarcopeix)!\n\n🚩 **News** (Mar. 2024): Time-LLM has been upgraded to serve as a general framework for repurposing a wide range of language models to time series forecasting. It now defaults to supporting Llama-7B and includes compatibility with two additional smaller PLMs (GPT-2 and BERT). Simply adjust `--llm_model` and `--llm_dim` to switch backbones.\n\n## Introduction\nTime-LLM is a reprogramming framework to repurpose LLMs for general time series forecasting with the backbone language models kept intact.\nNotably, we show that time series analysis (e.g., forecasting) can be cast as yet another \"language task\" that can be effectively tackled by an off-the-shelf LLM.\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_d19b48a5f07e.png\" height = \"360\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n- Time-LLM comprises two key components: (1) reprogramming the input time series into text prototype representations that are more natural for the LLM, and (2) augmenting the input context with declarative prompts (e.g., domain expert knowledge and task instructions) to guide LLM reasoning.\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_a8ecfc7cf094.png\" height = \"190\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## Requirements\nUse python 3.11 from MiniConda\n\n- torch==2.2.2\n- accelerate==0.28.0\n- einops==0.7.0\n- matplotlib==3.7.0\n- numpy==1.23.5\n- pandas==1.5.3\n- scikit_learn==1.2.2\n- scipy==1.12.0\n- tqdm==4.65.0\n- peft==0.4.0\n- transformers==4.31.0\n- deepspeed==0.14.0\n- sentencepiece==0.2.0\n\nTo install all dependencies:\n```\npip install -r requirements.txt\n```\n\n## Datasets\nYou can access the well pre-processed datasets from [[Google Drive]](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1NF7VEefXCmXuWNbnNe858WvQAkJ_7wuP\u002Fview?usp=sharing), then place the downloaded contents under `.\u002Fdataset`\n\n## Quick Demos\n1. Download datasets and place them under `.\u002Fdataset`\n2. Tune the model. We provide five experiment scripts for demonstration purpose under the folder `.\u002Fscripts`. For example, you can evaluate on ETT datasets by:\n\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh1.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh2.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTm1.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTm2.sh\n```\n\n## Detailed usage\n\nPlease refer to ```run_main.py```, ```run_m4.py``` and ```run_pretrain.py``` for the detailed description of each hyperparameter.\n\n\n## Further Reading\n\nAs one of the earliest works exploring the intersection of large language models and time series, we sincerely thank the open-source community for supporting our research. While we do not plan to make major updates to the main Time-LLM codebase, we still welcome **constructive pull requests** to help maintain and improve it.\n\n🌟 Please check out our team’s latest research projects listed below. \n\n1, [**TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2509.24803), *arXiv* 2025.\n\n**Authors**: Tong Guan, Zijie Meng, Dianqi Li, Shiyu Wang, Chao-Han Huck Yang, Qingsong Wen, Zuozhu Liu, Sabato Marco Siniscalchi, Ming Jin, Shirui Pan\n\n```bibtex\n@article{guan2025timeomni,\n  title={TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models},\n  author={Guan, Tong and Meng, Zijie and Li, Dianqi and Wang, Shiyu and Yang, Chao-Han Huck and Wen, Qingsong and Liu, Zuozhu and Siniscalchi, Sabato Marco and Jin, Ming and Pan, Shirui},\n  journal={arXiv preprint arXiv:2509.24803},\n  year={2025}\n}\n```\n\n2, [**Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2503.01875), in *ACL* 2025.\n[\\[HuggingFace\\]](https:\u002F\u002Fhuggingface.co\u002FTime-MQA)\n\n**Authors**: Yaxuan Kong, Yiyuan Yang, Yoontae Hwang, Wenjie Du, Stefan Zohren, Zhangyang Wang, Ming Jin, Qingsong Wen\n\n```bibtex\n@inproceedings{kong2025time,\n  title={Time-mqa: Time series multi-task question answering with context enhancement},\n  author={Kong, Yaxuan and Yang, Yiyuan and Hwang, Yoontae and Du, Wenjie and Zohren, Stefan and Wang, Zhangyang and Jin, Ming and Wen, Qingsong},\n  booktitle={The 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025)},\n  year={2025}\n}\n```\n\n3, [**Towards Neural Scaling Laws for Time Series Foundation Models**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2410.12360), in *ICLR* 2025.\n[\\[GitHub Repo\\]](https:\u002F\u002Fgithub.com\u002FQingrenn\u002FTSFM-ScalingLaws)\n\n**Authors**: Qingren Yao, Chao-Han Huck Yang, Renhe Jiang, Yuxuan Liang, Ming Jin, Shirui Pan\n\n```bibtex\n@inproceedings{yaotowards,\n  title={Towards Neural Scaling Laws for Time Series Foundation Models},\n  author={Yao, Qingren and Yang, Chao-Han Huck and Jiang, Renhe and Liang, Yuxuan and Jin, Ming and Pan, Shirui},\n  booktitle={International Conference on Learning Representations (ICLR)}\n  year={2025}\n}\n```\n\n4, [**Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.16040), in *ICLR* 2025.\n[\\[GitHub Repo\\]](https:\u002F\u002Fgithub.com\u002FTime-MoE\u002FTime-MoE)\n\n**Authors**: Xiaoming Shi, Shiyu Wang, Yuqi Nie, Dianqi Li, Zhou Ye, Qingsong Wen, Ming Jin\n\n```bibtex\n@inproceedings{shi2024time,\n  title={Time-moe: Billion-scale time series foundation models with mixture of experts},\n  author={Shi, Xiaoming and Wang, Shiyu and Nie, Yuqi and Li, Dianqi and Ye, Zhou and Wen, Qingsong and Jin, Ming},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2025}\n}\n```\n\n5, [**TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.16032), in *ICLR* 2025.\n[\\[GitHub Repo\\]](https:\u002F\u002Fgithub.com\u002Fkwuking\u002FTimeMixer\u002Fblob\u002Fmain\u002FREADME.md)\n\n**Authors**: Shiyu Wang, Jiawei Li, Xiaoming Shi, Zhou Ye, Baichuan Mo, Wenze Lin, Shengtong Ju, Zhixuan Chu, Ming Jin\n\n```bibtex\n@inproceedings{wang2024timemixer++,\n  title={TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis},\n  author={Wang, Shiyu and Li, Jiawei and Shi, Xiaoming and Ye, Zhou and Mo, Baichuan and Lin, Wenze and Ju, Shengtong and Chu, Zhixuan and Jin, Ming},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2025}\n}\n```\n\n## Acknowledgement\nOur implementation adapts [Time-Series-Library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library) and [OFA (GPT4TS)](https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All) as the code base and have extensively modified it to our purposes. We thank the authors for sharing their implementations and related resources.\n","\u003Cdiv align=\"center\">\n  \u003C!-- \u003Ch1>\u003Cb> Time-LLM \u003C\u002Fb>\u003C\u002Fh1> -->\n  \u003C!-- \u003Ch2>\u003Cb> Time-LLM \u003C\u002Fb>\u003C\u002Fh2> -->\n  \u003Ch2>\u003Cb> (ICLR'24) Time-LLM：通过重编程大型语言模型进行时间序列预测 \u003C\u002Fb>\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002FKimMeen\u002FTime-LLM?color=green)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FKimMeen\u002FTime-LLM?color=yellow)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FKimMeen\u002FTime-LLM?color=lightblue)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-Welcome-green)\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n**[\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.01728\">论文页面\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6sFiNExS3nI\">YouTube演讲1\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L-hRexVa32k\">YouTube演讲2\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmedium.com\u002Ftowards-data-science\u002Ftime-llm-reprogram-an-llm-for-time-series-forecasting-e2558087b8ac\">Medium博客\u003C\u002Fa>]**\n\n**[\u003Ca href=\"https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2024-04-15?from=synced&keyword=TIME-LLM\">机器之心中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FUL_Kl0PzgfYHOnq7d3vM8Q\">量子位中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FFSxUdvPI713J2LiHnNaFCw\">时序人中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FnUiQGnHOkWznoBPqM0KHXg\">AI算法厨房中文解读\u003C\u002Fa>]**\n**[\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F676256783\">知乎中文解读\u003C\u002Fa>]**\n\n\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_f34a0a0b782d.png\" width=\"70\">\n\n\u003C\u002Fp>\n\n---\n>\n> 🙋 如果您发现任何错误或有任何建议，请随时告知我们！\n> \n> 🌟 如果您觉得本资源有所帮助，请考虑给本仓库点个星，并引用我们的研究：\n\n```\n@inproceedings{jin2023time,\n  title={{Time-LLM}: Time series forecasting by reprogramming large language models},\n  author={Jin, Ming and Wang, Shiyu and Ma, Lintao and Chu, Zhixuan and Zhang, James Y and Shi, Xiaoming and Chen, Pin-Yu and Liang, Yuxuan and Li, Yuan-Fang and Pan, Shirui and Wen, Qingsong},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2024}\n}\n```\n\n## 更新\u002F新闻：\n🚩 **新闻**（2025年10月）：在过去两年里，Time-LLM已被引用1000次！🎉 我们衷心感谢社区在这段旅程中给予的大力支持。\n\n🚩 **新闻**（2024年8月）：Time-LLM已被XiMou优化技术有限公司（XMO）用于太阳能、风能和天气预报。\n\n🚩 **新闻**（2024年10月）：Time-LLM已被纳入[PyPOTS](https:\u002F\u002Fpypots.com\u002F)。非常感谢PyPOTS团队！\n\n🚩 **新闻**（2024年5月）：Time-LLM已被纳入[NeuralForecast](https:\u002F\u002Fgithub.com\u002FNixtla\u002Fneuralforecast)。特别感谢贡献者@[JQGoh](https:\u002F\u002Fgithub.com\u002FJQGoh)和@[marcopeix](https:\u002F\u002Fgithub.com\u002Fmarcopeix)！\n\n🚩 **新闻**（2024年3月）：Time-LLM已升级为一个通用框架，可用于将多种语言模型重新用于时间序列预测。现在默认支持Llama-7B，并兼容另外两种较小的PLM（GPT-2和BERT）。只需调整`--llm_model`和`--llm_dim`即可切换主干模型。\n\n## 简介\nTime-LLM是一个重编程框架，旨在将LLM重新用于通用的时间序列预测，同时保持其原始的语言模型结构不变。值得注意的是，我们证明了时间序列分析（例如预测）可以被视为另一种“语言任务”，而现成的LLM能够有效地解决这一任务。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_d19b48a5f07e.png\" height = \"360\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n- Time-LLM包含两个关键组件：(1) 将输入的时间序列重新编程为更适合LLM处理的文本原型表示；(2) 通过声明式提示（例如领域专家知识和任务指令）增强输入上下文，以引导LLM的推理过程。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_readme_a8ecfc7cf094.png\" height = \"190\" alt=\"\" align=center \u002F>\n\u003C\u002Fp>\n\n## 需求\n使用MiniConda中的Python 3.11\n\n- torch==2.2.2\n- accelerate==0.28.0\n- einops==0.7.0\n- matplotlib==3.7.0\n- numpy==1.23.5\n- pandas==1.5.3\n- scikit_learn==1.2.2\n- scipy==1.12.0\n- tqdm==4.65.0\n- peft==0.4.0\n- transformers==4.31.0\n- deepspeed==0.14.0\n- sentencepiece==0.2.0\n\n安装所有依赖项：\n```\npip install -r requirements.txt\n```\n\n## 数据集\n您可以从[[Google Drive]](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1NF7VEefXCmXuWNbnNe858WvQAkJ_7wuP\u002Fview?usp=sharing)获取预处理好的数据集，然后将下载的内容放入`.\u002Fdataset`目录下。\n\n## 快速演示\n1. 下载数据集并将其放入`.\u002Fdataset`目录。\n2. 调整模型参数。我们在`.\u002Fscripts`文件夹中提供了五个用于演示的实验脚本。例如，您可以在ETT数据集上进行评估：\n\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh1.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh2.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTm1.sh \n```\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTm2.sh\n```\n\n## 详细使用方法\n\n请参考`run_main.py`、`run_m4.py`和`run_pretrain.py`，以了解每个超参数的详细说明。\n\n## 延伸阅读\n\n作为最早探索大型语言模型与时间序列交叉领域的工作之一，我们衷心感谢开源社区对我们研究的支持。尽管我们目前不计划对 Time-LLM 主代码库进行重大更新，但我们仍然欢迎 **建设性的 Pull Request**，以帮助维护和改进该库。\n\n🌟 请查看我们团队的最新研究项目，如下所示。\n\n1. [**TimeOmni-1：在大型语言模型中利用时间序列激励复杂推理**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2509.24803)，*arXiv* 2025。\n\n**作者**: 关彤、孟子杰、李典奇、王世宇、杨超翰、温庆松、刘作柱、萨巴托·马可·西尼斯卡基、金明、潘诗睿\n\n```bibtex\n@article{guan2025timeomni,\n  title={TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models},\n  author={Guan, Tong and Meng, Zijie and Li, Dianqi and Wang, Shiyu and Yang, Chao-Han Huck and Wen, Qingsong and Liu, Zuozhu and Siniscalchi, Sabato Marco and Jin, Ming and Pan, Shirui},\n  journal={arXiv preprint arXiv:2509.24803},\n  year={2025}\n}\n```\n\n2. [**Time-MQA：基于上下文增强的时间序列多任务问答**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2503.01875)，发表于 *ACL* 2025。\n[\\[HuggingFace\\]](https:\u002F\u002Fhuggingface.co\u002FTime-MQA)\n\n**作者**: 孔亚轩、杨一元、黄润泰、杜文杰、斯特凡·佐伦、王张洋、金明、温庆松\n\n```bibtex\n@inproceedings{kong2025time,\n  title={Time-mqa: Time series multi-task question answering with context enhancement},\n  author={Kong, Yaxuan and Yang, Yiyuan and Hwang, Yoontae and Du, Wenjie and Zohren, Stefan and Wang, Zhangyang and Jin, Ming and Wen, Qingsong},\n  booktitle={The 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025)},\n  year={2025}\n}\n```\n\n3. [**迈向时间序列基础模型的神经规模定律**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2410.12360)，发表于 *ICLR* 2025。\n[\\[GitHub 仓库\\]](https:\u002F\u002Fgithub.com\u002FQingrenn\u002FTSFM-ScalingLaws)\n\n**作者**: 姚清仁、杨超翰、蒋仁和、梁宇轩、金明、潘诗睿\n\n```bibtex\n@inproceedings{yaotowards,\n  title={Towards Neural Scaling Laws for Time Series Foundation Models},\n  author={Yao, Qingren and Yang, Chao-Han Huck and Jiang, Renhe and Liang, Yuxuan and Jin, Ming and Pan, Shirui},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2025}\n}\n```\n\n4. [**Time-MoE：基于专家混合的大规模时间序列基础模型**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.16040)，发表于 *ICLR* 2025。\n[\\[GitHub 仓库\\]](https:\u002F\u002Fgithub.com\u002FTime-MoE\u002FTime-MoE)\n\n**作者**: 史晓明、王世宇、聂宇琪、李典奇、叶舟、温庆松、金明\n\n```bibtex\n@inproceedings{shi2024time,\n  title={Time-moe: Billion-scale time series foundation models with mixture of experts},\n  author={Shi, Xiaoming and Wang, Shiyu and Nie, Yuqi and Li, Dianqi and Ye, Zhou and Wen, Qingsong and Jin, Ming},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2025}\n}\n```\n\n5. [**TimeMixer++：用于通用预测分析的通用时间序列模式机器**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.16032)，发表于 *ICLR* 2025。\n[\\[GitHub 仓库\\]](https:\u002F\u002Fgithub.com\u002Fkwuking\u002FTimeMixer\u002Fblob\u002Fmain\u002FREADME.md)\n\n**作者**: 王世宇、李嘉伟、史晓明、叶舟、莫百川、林文泽、鞠圣通、褚志轩、金明\n\n```bibtex\n@inproceedings{wang2024timemixer++,\n  title={TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis},\n  author={Wang, Shiyu and Li, Jiawei and Shi, Xiaoming and Ye, Zhou and Mo, Baichuan and Lin, Wenze and Ju, Shengtong and Chu, Zhixuan and Jin, Ming},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2025}\n}\n```\n\n## 致谢\n我们的实现以 [Time-Series-Library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library) 和 [OFA (GPT4TS)](https:\u002F\u002Fgithub.com\u002FDAMO-DI-ML\u002FNeurIPS2023-One-Fits-All) 为基础代码库，并根据我们的需求进行了大量修改。我们感谢这些作者分享他们的实现及相关资源。","# Time-LLM 快速上手指南\n\nTime-LLM 是一个重编程框架，旨在利用现成的超大语言模型（LLM）进行通用时间序列预测，而无需修改 LLM 的主干结构。它将时间序列分析转化为一种“语言任务”，通过文本原型表示和声明式提示词引导模型推理。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux \u002F macOS (Windows 需使用 WSL)\n- **Python 版本**: 推荐 **3.11** (基于 MiniConda 环境)\n- **硬件**: 建议使用支持 CUDA 的 NVIDIA GPU 以加速推理和训练\n\n### 前置依赖\n项目核心依赖包括 `torch`, `transformers`, `accelerate`, `peft` 等。为确保兼容性，请严格参照以下版本列表。\n\n## 安装步骤\n\n### 1. 创建并激活 Conda 环境\n```bash\nconda create -n time-llm python=3.11\nconda activate time-llm\n```\n\n### 2. 安装依赖包\n推荐使用国内镜像源（如清华源）加速安装过程：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n如果自动安装失败，可手动安装核心组件：\n```bash\npip install torch==2.2.2 accelerate==0.28.0 einops==0.7.0 matplotlib==3.7.0 numpy==1.23.5 pandas==1.5.3 scikit_learn==1.2.2 scipy==1.12.0 tqdm==4.65.0 peft==0.4.0 transformers==4.31.0 deepspeed==0.14.0 sentencepiece==0.2.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 准备数据集\n从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1NF7VEefXCmXuWNbnNe858WvQAkJ_7wuP\u002Fview?usp=sharing) 下载预处理好的数据集。\n*注：国内用户若无法访问 Google Drive，可关注相关中文解读文章（如机器之心、量子位等）中是否提供百度网盘镜像，或自行上传至云盘下载。*\n\n将下载的数据集解压并放置于项目根目录下的 `.\u002Fdataset` 文件夹中。\n\n## 基本使用\n\n项目提供了针对 ETT 系列数据集的预设脚本，位于 `.\u002Fscripts` 目录下。以下是运行预测任务的最简示例。\n\n### 运行 ETT 数据集预测\n在终端执行以下命令即可启动模型评估（以 ETTh1 为例）：\n\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh1.sh\n```\n\n其他可用脚本包括：\n```bash\nbash .\u002Fscripts\u002FTimeLLM_ETTh2.sh\nbash .\u002Fscripts\u002FTimeLLM_ETTm1.sh\nbash .\u002Fscripts\u002FTimeLLM_ETTm2.sh\n```\n\n### 自定义参数\n如需调整超参数或切换骨干模型（默认支持 Llama-7B，兼容 GPT-2 和 BERT），请参考 `run_main.py`、`run_m4.py` 和 `run_pretrain.py` 中的参数定义。\n\n例如，切换骨干模型可通过修改脚本中的 `--llm_model` 和 `--llm_dim` 参数实现：\n```bash\n# 示例：在脚本中指定不同的 llm_model\npython run_main.py --llm_model GPT2 --llm_dim 768 ...\n```","某新能源运营团队正利用历史气象与发电数据，构建下一代风电场功率预测系统以优化电网调度。\n\n### 没有 Time-LLM 时\n- **模型冷启动困难**：面对新投运的风电场，因缺乏足量历史训练数据，传统深度学习模型（如 Transformer 变体）难以收敛，预测误差极高。\n- **专家知识融合成本高**：气象学家关于“季节性季风突变”或“极端台风路径”的领域经验，无法直接注入黑盒模型，只能依赖人工事后修正。\n- **多源异构数据处理繁琐**：需要将数值天气预报（NWP）、传感器时序数据强行对齐并归一化，特征工程耗时且容易丢失关键上下文信息。\n- **泛化能力受限**：针对特定站点训练的模型无法迁移到其他地理环境相似的场站，每新增一个站点都需重新训练一套参数。\n\n### 使用 Time-LLM 后\n- **零样本\u002F少样本快速适配**：Time-LLM 将时序数据重编程为文本原型，直接复用预训练大语言模型（如 Llama-7B）的通用推理能力，即便在新场站数据极少时也能输出可靠预测。\n- **自然语言注入领域智慧**：团队可直接通过 Declarative Prompts（声明式提示词）输入“考虑夏季午后对流性大风”等专家指令，引导模型在推理阶段动态调整预测逻辑。\n- **上下文感知增强**：Time-LLM 自动将气象文本报告与时序数值联合编码，让模型像理解文章一样理解天气变化的前因后果，显著提升了极端天气下的鲁棒性。\n- **统一框架降低维护成本**：无需为不同场站维护独立的模型权重，仅需切换提示词和少量参数即可实现跨区域的通用预测，大幅缩减了算力投入。\n\nTime-LLM 成功打破了时序分析与语言理解的壁垒，让大模型原本的常识推理能力转化为精准的工业级预测力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKimMeen_Time-LLM_91a92303.png","KimMeen","Ming Jin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKimMeen_fea10475.jpg","Assistant Professor @ Griffith University","Griffith University","Brisbane, Australia","mingjinedu@gmail.com",null,"https:\u002F\u002Fmingjin.dev","https:\u002F\u002Fgithub.com\u002FKimMeen",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",85.5,{"name":89,"color":90,"percentage":91},"Shell","#89e051",14.5,2623,462,"2026-04-17T14:27:49","Apache-2.0","未说明","未明确说明具体型号，但依赖 deepspeed 和 accelerate 库且涉及 LLM（如 Llama-7B），通常隐含需要支持 CUDA 的 NVIDIA GPU",{"notes":99,"python":100,"dependencies":101},"建议使用 MiniConda 创建 Python 3.11 环境。该工具默认支持 Llama-7B 模型，也可通过参数切换至 GPT-2 或 BERT。运行前需从 Google Drive 下载预处理好的数据集并放置于 .\u002Fdataset 目录下。代码库基于 Time-Series-Library 和 OFA (GPT4TS) 修改而来。","3.11",[102,103,104,105,106,107,108,109,110,111],"torch==2.2.2","accelerate==0.28.0","transformers==4.31.0","deepspeed==0.14.0","peft==0.4.0","einops==0.7.0","sentencepiece==0.2.0","pandas==1.5.3","numpy==1.23.5","scikit_learn==1.2.2",[14,113,36],"其他",[115,116,117,118,119,120,121,122,123,124,125,126,127],"cross-modal-learning","cross-modality","deep-learning","language-model","large-language-models","machine-learning","multimodal-deep-learning","multimodal-time-series","prompt-tuning","time-series","time-series-analysis","time-series-forecast","time-series-forecasting","2026-03-27T02:49:30.150509","2026-04-20T12:54:01.568584",[131,136,141,146,151,155],{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},44938,"运行模型时遇到 'RuntimeError: expected scalar type Float but found BFloat16' 错误怎么办？","该错误通常与量化设置或数据类型不匹配有关。请尝试在加载模型时移除或修改 `load_in_4bit` 参数。如果代码中显式设置了 `load_in_4bit=True`，请尝试将其改为 `False` 或直接移除该参数，确保模型以正确的精度（如 float32 或 bfloat16）加载。","https:\u002F\u002Fgithub.com\u002FKimMeen\u002FTime-LLM\u002Fissues\u002F3",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},44939,"使用多 GPU 运行时出现 CUDA 错误或 Token ID 越界问题如何解决？","如果您使用的是从 ModelScope 下载的 LLaMA 权重，可能会因为缺少 `eos_token` 或词表大小不匹配（例如最大 token ID 超出词表范围）导致报错。解决方案是不要使用 ModelScope 的权重，而是直接使用项目源码中提供的 Hugging Face 地址下载权重。推荐的权重地址为：https:\u002F\u002Fhuggingface.co\u002Fhuggyllama\u002Fllama-7b。更换权重来源后通常可解决该问题。","https:\u002F\u002Fgithub.com\u002FKimMeen\u002FTime-LLM\u002Fissues\u002F100",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},44940,"如何使用训练好的保存模型（checkpoint）对新数据进行预测（推理）？","目前官方仓库可能尚未提供直接的推理脚本，但社区已提供相关教程。您可以参考 Towards Data Science 上的文章了解如何使用训练好的模型进行时间序列预测：https:\u002F\u002Ftowardsdatascience.com\u002Ftime-llm-reprogram-an-llm-for-time-series-forecasting-e2558087b8ac。此外，社区成员也在准备提交包含自定义数据集推理教程和 Bash 脚本的 Pull Request，建议关注仓库的最新更新。","https:\u002F\u002Fgithub.com\u002FKimMeen\u002FTime-LLM\u002Fissues\u002F47",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},44941,"如何理解 Time-LLM 中的“重编程（Reprogramming）”解释性？为什么生成的单词集看起来没有意义？","在重编程过程中，模型会学习将时间序列补丁映射到 LLM 的词汇空间。由于该过程涉及学习噪声，注意力得分高的原型（prototypes）对应的单词可能包含看似无关或不合理的词汇。这是正常现象，因为时间序列补丁并不一定只与语义上相关的单词混合。论文中展示的词集也包含了相关和不相关的单词混合。尽管单个单词可能难以解释，但通过观察相关单词与不相关单词之间的热图差异，仍能在一定程度上验证重编程的有效性。","https:\u002F\u002Fgithub.com\u002FKimMeen\u002FTime-LLM\u002Fissues\u002F132",{"id":152,"question_zh":153,"answer_zh":154,"source_url":140},44942,"在哪里可以找到项目推荐的 LLaMA 预训练权重下载链接？","请避免使用 ModelScope 上的权重，因为它们可能导致 token 越界等问题。应使用作者源码中指定的 Hugging Face 仓库地址。具体的权重链接是：https:\u002F\u002Fhuggingface.co\u002Fhuggyllama\u002Fllama-7b。在代码中加载模型时，确保 `from_pretrained` 函数使用此地址。",{"id":156,"question_zh":157,"answer_zh":158,"source_url":145},44943,"是否有针对自定义数据集的训练和推理教程？","官方示例主要基于标准数据集（如 ETTm1），对于自定义数据集，社区正在完善相关文档。目前有用户分享了在 Towards Data Science 上的教程链接（https:\u002F\u002Ftowardsdatascience.com\u002Ftime-llm-reprogram-an-llm-for-time-series-forecasting-e2558087b8ac），涵盖了重新编程 LLM 进行时间序列预测的流程。同时，有贡献者计划提交包含自定义数据集训练及推理 Bash 脚本的 PR，建议查看仓库的 Issues 和 PR 列表获取最新代码示例。",[]]