两篇论文均聚焦于时序大模型通用能力构建，代表了 ICLR 2026 中两个重要方向：Aurora 从多模态知识融合出发，将文本、图像与时间序列联合建模，提升跨领域零样本预测能力；TimeOmni-1 则从复杂推理能力出发，构建时序推理任务体系，并通过监督微调与强化学习激发大语言模型的时序理解、外推和决策能力。

前者强调“看懂多模态上下文并预测未来”，后者强调“基于时序信息进行解释、推理与决策”。

另外我整理了ICLR 26双模型复现：AURORA(0.4B)+TimeOmni-1(7B)，环境/权重/代码/坑的文档和思维导图都已经整理打包好，感兴趣的可以dd，希望能帮到你！

原文 姿 料，这里！

一、论文1：（ICLR 2026）AURORA: TOWARDS UNIVERSAL GENERATIVE MULTIMODAL TIME SERIES FORECASTING

推荐理由：

首个面向多模态时间序列基础模型的系统性工作，支持文本、图像和时间序列联合输入。

在多模态、单模态、确定性预测和概率预测等多类场景中均取得 SOTA 表现。

支持零样本预测与少样本预测，适合跨领域时序预测场景。

方法：

• Aurora 通过文本编码器、视觉编码器和时间序列 Transformer 提取多模态表示，并用模态引导多头自注意力增强时间建模；解码端利用原型引导 Flow Matching生成概率预测。

关键目标公式为：

创新点：

• 首次提出多模态时间序列基础模型 Aurora；设计Token Distillation压缩文本/图像信息；提出Modality-Guided Self-Attention注入领域知识；用周期与趋势原型引导 Flow Matching，提升生成式概率预测。

• 代码链接：

  • https://github.com/decisionintelligence/Aurora

  • https://huggingface.co/DecisionIntelligence/Aurora

• 论文链接： https://openreview.net/pdf/2e6bd26681ccc610afa917c86a44b6ab750e2c8c.pdf

二、论文2：（ICLR 2026）TIMEOMNI-1: INCENTIVIZING COMPLEX REASONING WITH TIME SERIES IN LARGE LANGUAGE MODELS

推荐理由：

首个系统面向时间序列推理模型的任务套件与统一模型。

提出 TSR-SUITE，覆盖感知、外推、决策三类核心推理能力。

TimeOmni-1 在因果发现、事件感知预测、决策任务上显著优于多种 LLM 与时序语言模型。

方法：

• 论文构建 TSR-SUITE，包含场景理解、因果发现、事件感知预测和决策四类任务；TimeOmni-1 先用人工引导 CoT 进行 SFT 注入时序先验，再用任务奖励进行 RL 优化。

统一推理建模公式为：

创新点：

• 首次形式化时间序列推理任务体系；提出包含 23K+ 样本的 TSR-SUITE；设计层级 CoT 标注流程；提出两阶段训练范式，并证明多任务联合训练可促进感知、外推和决策能力互补。

• 代码链接：

  • https://github.com/AntonGuan/TimeOmni-1

  • https://huggingface.co/anton-hugging/TimeOmni-1-7B

• 论文链接： https://arxiv.org/pdf/2509.24803v3