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），旨在突破大语言模型在时间序列预测任务中因文本与时序数据分布差异带来的性能瓶颈。传统方法依赖全量微调以对齐数据分布，但面临高昂的计算成本与显存压力，难以在实际场景中推广。为解决这一问题，研究团队创新性地引入上下文学习机制，通过在输入提示中嵌入任务示例，使模型在不更新任何参数的前提下实现类似微调的预测能力。为应对上下文学习中示例选择与顺序敏感导致的不稳定性，LVICL采用向量表示提取示例特征，并通过置换不变的聚合策略消除顺序依赖，提升鲁棒性。随后，通过轻量级适配器对聚合后的上下文向量进行精细化处理，过滤无关或干扰信息，增强关键示例的影响力。最终，优化后的向量被注入大语言模型各层的残差流中，以可控方式引导模型生成预测结果，实现对模型行为的精准干预。 该框架在多个主流时间序列预测基准数据集上进行了系统评估，包括ETT、Electricity、Traffic等。实验结果表明，LVICL在完全冻结大语言模型、零训练开销的条件下，显著提升了预测精度，且性能稳定优于传统上下文学习方法。与轻量微调技术（如LoRA、Adapter）相比，LVICL在多种数据集、预测长度与噪声环境下均展现出更强的泛化能力，同时在推理效率与模型资源占用方面具有明显优势。这一成果验证了“无参数更新”路径在复杂时序建模中的可行性与优越性，为大模型在工业预测、金融分析、智能运维等领域的落地提供了高效可行的技术方案。 该研究成果已获互联网领域顶级学术会议The Web Conference 2026（WWW-26）录用，标志着中国在大模型时序建模方向取得重要进展。业内专家评价，LVICL框架实现了“轻量、高效、稳定”的统一，尤其适合资源受限场景下的实时预测应用。该研究由中科院软件所智能软件研究中心团队主导，团队长期致力于大模型与智能系统融合技术研究，已形成一批具有国际影响力的原创成果。随着大模型向多模态、多任务方向演进，LVICL所提出的向量注入机制有望成为通用时序建模的可复用范式，推动AI在现实世界复杂系统中的深度应用。