[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mims-harvard--UniTS":3,"tool-mims-harvard--UniTS":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":157},409,"mims-harvard\u002FUniTS","UniTS","A unified multi-task time series model.","UniTS 是一个统一的多任务时间序列模型，能够用同一个架构处理预测、分类、缺失值填补和异常检测等多种任务，无需为每个任务单独设计模块。它解决了当前大模型（如大语言模型）难以直接应用于时间序列数据的问题——这类数据来源多样、任务形式各异，传统方法往往需要为不同任务训练不同模型。UniTS 通过共享参数的统一网络结构，结合序列与变量注意力机制及动态线性算子，在38个跨领域数据集上展现出优于专用模型和改造型语言模型的性能，并支持零样本、少样本和提示学习等灵活迁移方式。该模型特别适合时间序列领域的研究人员和开发者使用，尤其适用于希望构建通用、可迁移时间序列基础模型的团队。其核心亮点在于真正实现了“一个模型处理多种时间序列任务”，降低了模型开发与维护成本，同时提升了泛化能力。","# Unified Time Series Model\n\n[**Project Page**](https:\u002F\u002Fzitniklab.hms.harvard.edu\u002Fprojects\u002FUniTS\u002F)  |   [**Paper link**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.00131.pdf) **(Neurips 2024)**\n\nUniTS is a unified time series model that can process various tasks across multiple domains with shared parameters and does not have any task-specific modules.\n\nAuthors: [Shanghua Gao](https:\u002F\u002Fshgao.site\u002F) [Teddy Koker](https:\u002F\u002Fteddykoker.com) [Owen Queen](https:\u002F\u002Fowencqueen.github.io\u002F) [Thomas Hartvigsen](https:\u002F\u002Fwww.tomhartvigsen.com\u002F) [Theodoros Tsiligkaridis](https:\u002F\u002Fsites.google.com\u002Fview\u002Ftheo-t) [Marinka Zitnik](https:\u002F\u002Fzitniklab.hms.harvard.edu\u002F)\n\n## Overview\nFoundation models, especially LLMs, are profoundly transforming deep learning. Instead of training many task-specific models, we can adapt a single pretrained model to many tasks via few-shot prompting or fine-tuning. However, current foundation models apply to sequence data but not to time series, which present unique challenges due to the inherent diverse and multi-domain time series datasets, diverging task specifications across forecasting, classification and other types of tasks, and the apparent need for task-specialized models.\n\nWe developed UniTS, a unified time series model that supports a universal task specification, accommodating classification, forecasting, imputation, and anomaly detection tasks. This is achieved through a novel unified network backbone, which incorporates sequence and variable attention along with a dynamic linear operator and is trained as a unified model. \n\nAcross 38 multi-domain datasets, UniTS demonstrates superior performance compared to task-specific models and repurposed natural language-based LLMs. UniTS exhibits remarkable zero-shot, few-shot, and prompt learning capabilities when evaluated on new data domains and tasks.\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmims-harvard_UniTS_readme_3e4ad3a09129.png\" alt=\"UniTS-1\" width=\"500\">\n\u003C\u002Fp>\n\n## Setups\n\n### 1. Requirements\n Install Pytorch2.0+ and the required packages.\n```\npip install -r requirements.txt\n```\n\n### 2. Prepare data\n```\nbash download_data_all.sh\n```\nDatasets configs for different multi-task settings are shown in `.ymal` files of the `data_provider` folder.\n\nBy default, all experiments follow the multi-task setting where one UniTS model is jointly trained on  mulitple datasets.\n\n### 3. Train and evaluate model\n\n#### 1. Multi-task learning on forecasting and classification tasks:\n\n- Pretraining + Prompt learning\n```\nbash .\u002Fscripts\u002Fpretrain_prompt_learning\u002FUniTS_pretrain_x128.sh\n```\n\n- Supervised learning\n```\nbash .\u002Fscripts\u002Fsupervised_learning\u002FUniTS_supervised.sh\n```\n\n#### 2. Few-shot transfer learning on new forecasting and classification tasks:\n\n**Note: Please follow the instruction in following training scripts to get the pretrained ckpt first.** \n\n- Finetuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_newdata\u002FUniTS_finetune_few_shot_newdata_pct20.sh\n```\n\n- Prompt tuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_newdata\u002FUniTS_prompt_tuning_few_shot_newdata_pct20.sh\n```\n\n#### 3. Few-shot transfer learning on anomaly detection tasks:\n- Finetuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_anomaly_detection\u002FUniTS_finetune_few_shot_anomaly_detection.sh\n```\n- Prompt tuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_anomaly_detection\u002FUniTS_prompt_tuning_few_shot_anomaly_detection.sh\n```\n\n#### 4. Few-shot transfer learning on imputation tasks:\n- Finetuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_imputation\u002FUniTS_finetune_few_shot_imputation_mask050.sh\n```\n\n- Prompt tuning\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Ffew_shot_imputation\u002FUniTS_prompt_tuning_few_shot_imputation_mask050.sh\n```\n\n#### 5. Zero-shot learning on new forecasting length:\n```\n# please set the pretrianed model path in the script.\nbash .\u002Fscripts\u002Fzero_shot\u002FUniTS_forecast_new_length_unify.sh\n```\n\n#### 6. Zero-shot learning on new forecasting datasets:\n```\n# A special verison of UniTS with shared prompt\u002Fmask tokens needs to be trained for this setting.\nbash .\u002Fscripts\u002Fzero_shot\u002FUniTS_zeroshot_newdata.sh\n```\n\n## Use UniTS on your own data.\nUniTS is a highly flexible unified time series model, supporting tasks such as forecasting, classification, imputation, and anomaly detection with a single shared model and shared weights. We provide a [Tutorial](Tutorial.md)  to assist you in using your own data with UniTS.\n\n## Pretrained weights\nWe provide the pretrained weights for models mentioned above in [checkpoints](https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Freleases\u002Ftag\u002Fckpt).\n\n## Citation\n\n```\n@article{gao2024building,\n  title={UniTS: Building a Unified Time Series Model},\n  author={Gao, Shanghua and Koker, Teddy and Queen, Owen and Hartvigsen, Thomas and Tsiligkaridis, Theodoros and Zitnik, Marinka},\n  journal={arXiv},\n  url={https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.00131.pdf},\n  year={2024}\n}\n```\n\n## Acknowledgement\nThis codebase is built based on the [Time-Series-Library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library). Thanks!\n\n## Disclaimer\n\nDISTRIBUTION STATEMENT: Approved for public release. Distribution is unlimited.\n\nThis material is based upon work supported by the Under Secretary of Defense for Research and Engineering under Air Force Contract No. FA8702-15-D-0001. Any opinions, findings, conclusions or recommendations expressed in this material are those of the author(s) and do not necessarily reflect the views of the Under Secretary of Defense for Research and Engineering.\n\n© 2024 Massachusetts Institute of Technology.\n\nSubject to FAR52.227-11 Patent Rights - Ownership by the contractor (May 2014)\n\nThe software\u002Ffirmware is provided to you on an As-Is basis\n\nDelivered to the U.S. Government with Unlimited Rights, as defined in DFARS Part 252.227-7013 or 7014 (Feb 2014). Notwithstanding any copyright notice, U.S. Government rights in this work are defined by DFARS 252.227-7013 or DFARS 252.227-7014 as detailed above. Use of this work other than as specifically authorized by the U.S. Government may violate any copyrights that exist in this work.\n","# 统一时序模型（Unified Time Series Model）\n\n[**项目主页**](https:\u002F\u002Fzitniklab.hms.harvard.edu\u002Fprojects\u002FUniTS\u002F)  |   [**论文链接**](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.00131.pdf) **(NeurIPS 2024)**\n\nUniTS 是一个统一的时序模型（time series model），能够使用共享参数处理多个领域中的各种任务，且不包含任何任务特定模块（task-specific modules）。\n\n作者：[Shanghua Gao](https:\u002F\u002Fshgao.site\u002F) [Teddy Koker](https:\u002F\u002Fteddykoker.com) [Owen Queen](https:\u002F\u002Fowencqueen.github.io\u002F) [Thomas Hartvigsen](https:\u002F\u002Fwww.tomhartvigsen.com\u002F) [Theodoros Tsiligkaridis](https:\u002F\u002Fsites.google.com\u002Fview\u002Ftheo-t) [Marinka Zitnik](https:\u002F\u002Fzitniklab.hms.harvard.edu\u002F)\n\n## 概述\n基础模型（Foundation models），尤其是大语言模型（LLMs），正在深刻改变深度学习。我们不再需要为每个任务单独训练模型，而是可以通过少样本提示（few-shot prompting）或微调（fine-tuning）将一个预训练模型适配到多种任务上。然而，当前的基础模型主要适用于序列数据，尚不能直接应用于时序数据。时序数据具有独特挑战：其内在的多样性、跨领域的数据集差异、预测（forecasting）、分类（classification）等任务规范的显著不同，以及对任务专用模型的明显依赖。\n\n我们开发了 UniTS——一个统一的时序模型，支持通用任务规范（universal task specification），可同时处理分类、预测、插补（imputation）和异常检测（anomaly detection）任务。这是通过一种新颖的统一网络主干（unified network backbone）实现的，该主干结合了序列注意力（sequence attention）与变量注意力（variable attention），并引入动态线性算子（dynamic linear operator），以统一模型的方式进行训练。\n\n在 38 个跨领域数据集上的实验表明，UniTS 的性能优于任务专用模型和经过改造的基于自然语言的 LLMs。在新数据领域和新任务上的评估中，UniTS 展现出卓越的零样本（zero-shot）、少样本（few-shot）和提示学习（prompt learning）能力。\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmims-harvard_UniTS_readme_3e4ad3a09129.png\" alt=\"UniTS-1\" width=\"500\">\n\u003C\u002Fp>\n\n## 环境配置\n\n### 1. 依赖项\n安装 PyTorch 2.0+ 及所需包：\n```\npip install -r requirements.txt\n```\n\n### 2. 准备数据\n```\nbash download_data_all.sh\n```\n`data_provider` 文件夹中的 `.yaml` 文件展示了不同多任务设置下的数据集配置。\n\n默认情况下，所有实验均采用多任务设置，即单个 UniTS 模型在多个数据集上联合训练。\n\n### 3. 训练与评估模型\n\n#### 1. 预测与分类任务的多任务学习：\n\n- 预训练 + 提示学习\n```\nbash .\u002Fscripts\u002Fpretrain_prompt_learning\u002FUniTS_pretrain_x128.sh\n```\n\n- 监督学习\n```\nbash .\u002Fscripts\u002Fsupervised_learning\u002FUniTS_supervised.sh\n```\n\n#### 2. 新预测与分类任务的少样本迁移学习：\n\n**注意：请先按照以下训练脚本中的说明获取预训练检查点（pretrained ckpt）。**\n\n- 微调（Finetuning）\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_newdata\u002FUniTS_finetune_few_shot_newdata_pct20.sh\n```\n\n- 提示调优（Prompt tuning）\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_newdata\u002FUniTS_prompt_tuning_few_shot_newdata_pct20.sh\n```\n\n#### 3. 异常检测任务的少样本迁移学习：\n- 微调\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_anomaly_detection\u002FUniTS_finetune_few_shot_anomaly_detection.sh\n```\n- 提示调优\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_anomaly_detection\u002FUniTS_prompt_tuning_few_shot_anomaly_detection.sh\n```\n\n#### 4. 插补任务的少样本迁移学习：\n- 微调\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_imputation\u002FUniTS_finetune_few_shot_imputation_mask050.sh\n```\n\n- 提示调优\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Ffew_shot_imputation\u002FUniTS_prompt_tuning_few_shot_imputation_mask050.sh\n```\n\n#### 5. 新预测长度的零样本学习：\n```\n# 请在脚本中设置预训练模型路径。\nbash .\u002Fscripts\u002Fzero_shot\u002FUniTS_forecast_new_length_unify.sh\n```\n\n#### 6. 新预测数据集的零样本学习：\n```\n# 此设置需训练一个特殊版本的 UniTS，其使用共享的提示\u002F掩码 token。\nbash .\u002Fscripts\u002Fzero_shot\u002FUniTS_zeroshot_newdata.sh\n```\n\n## 在您自己的数据上使用 UniTS\nUniTS 是一个高度灵活的统一时序模型，通过单一共享模型和共享权重即可支持预测、分类、插补和异常检测等任务。我们提供了一份 [教程（Tutorial）](Tutorial.md)，帮助您将自有数据与 UniTS 结合使用。\n\n## 预训练权重\n我们在 [checkpoints](https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Freleases\u002Ftag\u002Fckpt) 中提供了上述模型的预训练权重。\n\n## 引用\n\n```\n@article{gao2024building,\n  title={UniTS: Building a Unified Time Series Model},\n  author={Gao, Shanghua and Koker, Teddy and Queen, Owen and Hartvigsen, Thomas and Tsiligkaridis, Theodoros and Zitnik, Marinka},\n  journal={arXiv},\n  url={https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.00131.pdf},\n  year={2024}\n}\n```\n\n## 致谢\n本代码库基于 [Time-Series-Library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library) 构建。感谢！\n\n## 免责声明\n\n分发声明：已批准公开发布，分发不受限制。\n\n本材料基于美国空军合同 FA8702-15-D-0001 下由国防部负责研究与工程的副部长资助的工作。本材料中表达的任何观点、发现、结论或建议均为作者个人观点，不一定反映国防部负责研究与工程的副部长的观点。\n\n© 2024 麻省理工学院。\n\n受 FAR52.227-11 专利权条款约束 — 承包商拥有所有权（2014 年 5 月）\n\n本软件\u002F固件按“现状”提供。\n\n根据 DFARS 第 252.227-7013 或 7014 条款（2014 年 2 月版）定义，本作品已授予美国政府无限权利。尽管存在任何版权声明，美国政府在本作品中的权利仍由上述 DFARS 252.227-7013 或 DFARS 252.227-7014 条款详细规定。未经美国政府明确授权而使用本作品，可能侵犯本作品中存在的任何版权。","# UniTS 快速上手指南\n\nUniTS 是一个统一的时间序列模型，支持预测、分类、插补和异常检测等多种任务，使用共享参数而无需任务专用模块。\n\n## 环境准备\n\n- 操作系统：Linux \u002F macOS（推荐）\n- Python ≥ 3.8\n- PyTorch ≥ 2.0（建议使用 [清华镜像源](https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple) 加速安装）\n- GPU（可选但推荐）\n\n## 安装步骤\n\n1. 克隆代码仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS.git\ncd UniTS\n```\n\n2. 安装依赖（建议使用虚拟环境）：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. 下载官方数据集（用于示例训练）：\n```bash\nbash download_data_all.sh\n```\n\n## 基本使用\n\n### 示例 1：多任务预训练 + Prompt 学习（预测与分类）\n```bash\nbash .\u002Fscripts\u002Fpretrain_prompt_learning\u002FUniTS_pretrain_x128.sh\n```\n\n### 示例 2：监督学习训练\n```bash\nbash .\u002Fscripts\u002Fsupervised_learning\u002FUniTS_supervised.sh\n```\n\n> **提示**：如需在自定义数据上使用 UniTS，请参考项目中的 `Tutorial.md` 文件。预训练权重可在 [GitHub Releases](https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Freleases\u002Ftag\u002Fckpt) 下载。","某智能电网公司需要同时处理电力负荷预测、设备异常检测和电表数据缺失值填补等多个时序任务，以支撑调度决策与运维系统。\n\n### 没有 UniTS 时\n- 团队需为每个任务（如负荷预测、异常检测、数据插补）分别训练和维护独立模型，开发与部署成本高。\n- 不同任务的数据分布差异大（如变电站 vs 用户侧电表），导致模型泛化能力弱，新区域上线需重新标注大量数据。\n- 异常检测等任务标注样本极少，传统监督模型效果差，而无监督方法难以与其他任务协同优化。\n- 模型更新周期长，每次新增任务都要从头设计网络结构并调参，迭代效率低。\n- 多个模型占用大量计算资源，难以在边缘设备统一部署。\n\n### 使用 UniTS 后\n- 仅用一个统一模型即可同时处理预测、分类、插补和异常检测四大类任务，显著降低开发与运维复杂度。\n- 借助跨任务、跨领域的预训练能力，UniTS 在新区域或新设备上仅需少量样本（few-shot）甚至无需标注（zero-shot）即可快速适配。\n- 利用 prompt tuning 机制，在异常检测等弱监督场景下也能有效迁移知识，提升检测准确率。\n- 新任务接入只需调整输入提示（prompt）和少量微调，模型迭代周期从数周缩短至几天。\n- 统一架构大幅减少参数总量，便于在云端和边缘端一致部署，节省算力资源。\n\nUniTS 通过统一建模多任务时序问题，让企业用一个模型高效应对多样化的实际业务需求。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmims-harvard_UniTS_d89b4b96.png","mims-harvard","Artificial Intelligence for Medicine and Science @ Harvard Zitnik Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmims-harvard_5a3b6165.png","",null,"marinka@hms.harvard.edu","marinkazitnik","https:\u002F\u002Fzitniklab.hms.harvard.edu","https:\u002F\u002Fgithub.com\u002Fmims-harvard",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",89.4,{"name":90,"color":91,"percentage":92},"Shell","#89e051",10.6,623,92,"2026-04-04T01:47:55","MIT","Linux, macOS, Windows","需要 NVIDIA GPU（因依赖 PyTorch 2.0+ 和 CUDA），显存建议 8GB+，CUDA 11.7+（与 PyTorch 2.0+ 兼容）","未说明",{"notes":101,"python":99,"dependencies":102},"需通过 pip install -r requirements.txt 安装依赖；首次运行需执行 download_data_all.sh 下载多域数据集，可能占用较大存储空间；预训练模型需从 GitHub Release 页面手动下载；脚本中需手动设置预训练模型路径。",[103],"torch>=2.0",[54,13],[106,107,108,109,110,111,112,113,114,115,116,117,118],"anomaly-detection","classification","few-shot","forecasting","foundation-models","imputation","prompt-tuning","time-series","unified-model","zero-shot","ecg","eeg","multi-task","2026-03-27T02:49:30.150509","2026-04-06T10:24:51.148334",[122,127,132,137,142,147,152],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},1532,"运行 download_data_all.sh 后，为什么 data_provider\u002Fmulti_task_pretrain.yaml 所需的数据集仍不完整？","该问题通常由网络连接问题导致，无法从数据链接下载文件。请检查你的网络配置是否能正常访问数据源。维护者确认链接是有效的。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F1",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},1533,"加载模型时出现 _IncompatibleKeys 警告，如何解决？","如果你重命名了预训练模型文件（如 units_x128_pretrain_checkpoint.pth），需要同时修改脚本中对应的 checkpoint 加载路径。具体地，应修改 exp\u002Fexp_sup.py 第 284 行的 checkpoint 名称以匹配实际文件名，否则会导致权重不匹配和性能下降。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F4",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},1534,"UniTS 论文中使用的全部数据集有哪些？是否包含异常检测数据集？","表7列出了多任务预训练所用的数据集。异常检测数据集未包含在预训练阶段，仅用于测试模型在域外任务（如少样本异常检测）上的泛化能力。作者表示因会议截稿时间限制，尚未整合更多数据集，但正在收集更大规模的数据。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F2",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},1535,"能否提供 x128 预训练模型的训练日志？","维护者已提供一份可能对应的预训练日志文件（output.log），虽然不能完全确认是发布 checkpoint 的原始日志，但损失变化趋势应相似。用户可据此比对自身复现过程中的训练行为。日志文件见 issue 评论附件。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F37",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},1536,"prompt_num 参数的含义是什么？所有预训练模型都使用 prompt_num=10 吗？","prompt_num 指的是 prompt 中的 token 数量。为简化设计，当前所有模型统一使用相同的 prompt_num（如10），但你可以根据任务难度调整该值，甚至为不同任务设置不同的 prompt_num。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F25",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},1537,"为什么验证集使用了测试集？这样是否会影响结果公正性？","由于并非所有时间序列数据集都提供独立的验证集，项目遵循了领域内常见做法：使用测试集作为验证集。但模型并非基于测试集结果选择最佳 checkpoint，而是固定训练轮数后直接报告最后一轮的结果，以避免过拟合测试集。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F18",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},1538,"requirements.txt 是否遗漏了部分依赖包（如 gluonts、wandb、timm）？","部分依赖包确实未包含在 requirements.txt 中。建议用户根据实际运行时的 ImportError 手动安装缺失的包，如 gluonts、wandb 和 timm。维护者未明确说明是否故意省略，但显式列出这些依赖会更便于环境配置。","https:\u002F\u002Fgithub.com\u002Fmims-harvard\u002FUniTS\u002Fissues\u002F15",[158],{"id":159,"version":160,"summary_zh":161,"released_at":162},110731,"ckpt","Checkpoints of pretrained weights.","2024-02-29T21:47:53"]