尽管预训练的Transformer模型以及经过重编程的基于文本的大型语言模型（LLM）在时间序列任务中已展现出强劲性能，但不同任务间表现最佳的模型架构差异显著，且多数模型仅专注于特定领域，例如时间序列预测。如何在单一模型中统一处理预测性与生成性时间序列任务，仍是当前面临的重大挑战。为此，我们提出UniTS——一种统一的多任务时间序列模型，通过任务标记化（task tokenization）技术，将预测与生成任务整合进统一框架。UniTS采用改进的Transformer模块，以捕捉具有普适性的时间序列表征，从而实现从异构、多领域预训练数据集（具有多样化的动态模式、采样频率与时间尺度）到多种下游数据集（涵盖不同任务类型与数据领域）的高效迁移。在涵盖人体活动传感器、医疗健康、工程系统与金融等领域的38个数据集上进行测试，UniTS在性能上显著优于12种预测模型、20种分类模型、18种异常检测模型以及16种缺失值填补模型，包括经过适配的基于文本的大型语言模型。此外，UniTS在新领域与新任务上展现出优异的少样本学习（few-shot）与提示（prompt）适应能力。在单任务场景下，UniTS亦超越了当前主流的专用时间序列模型。相关代码与数据集已开源，地址为：https://github.com/mims-harvard/UniTS。