中国科学院软件研究所研究团队近期提出一种新型时间序列预测框架——向量注入式上下文学习（LVICL），旨在显著提升大语言模型在时间序列预测任务中的性能，同时有效降低计算成本。该研究针对大语言模型在处理时间序列数据时面临的核心挑战：预训练阶段所依赖的文本数据与实际时间序列数据在分布和结构上存在显著差异。传统解决方案依赖全量微调，虽能缓解差异，但需大量计算资源与显存，难以在实际场景中广泛应用。 为突破这一瓶颈，研究团队创新性地引入上下文学习机制，提出无需更新模型参数即可实现“类微调”效果的新方法。LVICL通过在输入提示中嵌入任务相关示例，引导模型生成更准确的预测结果。为应对传统上下文学习中示例顺序敏感、性能波动大的问题，团队设计了基于向量表示的改进策略：首先提取每个示例的语义向量，采用置换不变的方式对这些向量进行聚合，从而消除顺序依赖性，增强方法的稳定性。 为进一步提升上下文信息的质量，LVICL引入轻量级适配器模块，对聚合后的上下文向量进行精细化处理，有效抑制无关或干扰信息，强化关键示例的表达能力，提升对示例选择的鲁棒性。最终，优化后的上下文向量被注入到大语言模型各层的残差连接中，以可控且高效的方式影响模型推理过程，实现对预测结果的精准引导。 研究团队在多个主流时间序列预测基准数据集上对LVICL进行了全面评估。结果表明，该框架在保持大语言模型参数完全冻结、训练开销近乎为零的前提下，能够稳定地复现并显著放大上下文学习的优势。与现有的轻量微调方法相比，LVICL在多种数据集和实验设置下均展现出更优的预测精度，尤其在长期预测和复杂模式识别任务中表现突出。更重要的是，LVICL在性能与效率之间实现了更佳的平衡，具备良好的实用性和可扩展性。 该研究成果已获得互联网领域顶级国际学术会议The Web Conference 2026（WWW-26）录用，标志着我国在大模型与时间序列分析交叉领域的前沿探索取得重要进展。这一框架为大语言模型在工业、金融、气象等领域的实际应用提供了高效、可靠的解决方案，也为未来智能预测系统的设计提供了新思路。