两篇 ICLR 2026 论文都围绕大规模时序基础模型的高效使用展开：论文1关注预训练模型微调时的非凸损失景观与过拟合问题，通过参数插值先“平滑”再微调；论文2则质疑“模型越大越好”，提出由多个小型专家模型组成的模型组合，在测试时进行模型选择或集成，以更低推理成本达到接近大型单体模型的预测效果。两者共同指向：时序模型部署不只靠扩大规模，更需要优化微调与推理策略。

另外我整理了时序大模型微调解决方案资料包，感兴趣的自取，希望能帮到你！具体资料如下：

SFF & Chroma 原理解析+理论证明

基于PyTorch和GluonTS的可复制代码

超参数调优指南与决策树

两大顶级会议论文原文及代码仓库

原文 姿 料 这儿！

一、论文1：（ICLR 2026 / 复旦大学）Lost in the Non-Convex Loss Landscape: How to Fine-tune the Large Time Series Model?

方法：

• 提出Smoothed Full Fine-tuning（SFF）：先构造一个随机初始化的辅助大时序模型，再与预训练模型做线性参数插值，得到损失景观更平滑的模型，随后进行全量微调，从而改善可训练性并保留预训练知识。

关键公式如下：

$${\Theta }_3=\alpha {\Theta }_1+(1-\alpha ){\Theta }_2$$

$$f(X,{\Theta }_3)=G(X,\alpha {\Phi }_1+(1-\alpha ){\Phi }_2{)}^T(\alpha W_{head1}+(1-\alpha )W_{head2})$$

创新点：

• 首次从损失景观平滑角度解释大时序模型微调困难，指出预训练模型可能陷入尖锐极小值；用随机初始化模型的平坦区域扰动尖锐区域，实现“保知识、提可训练性”，且不增加额外训练/推理开销。

• 代码链接：https://github.com/Meteor-Stars/SFF

• 论文链接：https://openreview.net/pdf?id=8o4t5DHaE1

二、论文2：（ICLR 2026 ）Test-Time Efficient Pretrained Model Portfolios for Time Series Forecasting

方法：

• 提出 Chroma：先训练一个小型通用模型，再按频率或应用领域对数据划分，对通用模型进行短步数后训练得到多个专家模型；测试时通过模型选择或贪心集成组合专家预测。

关键公式如下：

$$p_{\theta }(x_{C+1:C+H}\mid x_{1:C})\approx p(x_{C+1:C+H}\mid x_{1:C})$$

$${\hat{y}}_{ens}=\sum _{m=1}^M{w}_m\cdot {\hat{y}}_m$$

创新点：

• 反驳单纯“越大越好”的路径，证明小型预训练模型组合可接近大型单体模型效果；提出用后训练高效构造多样化专家，训练成本约降一个数量级，并在测试时比微调更省计算。

• 论文链接：https://openreview.net/pdf?id=iqUMjxfDNH