本包提供内源多模态数据生成、内源推理、外源 bank 构建、离线权重校准和内源＋外源推理。 先按第 1–3 节推理一个内源例子；需要外源检索时再看第 5 节。真实 M4 yearly 的切分、推理和 MASE 计算见完整评测例子。 - 原始历史可以是 NPZ/Zarr、CSV、Arrow 或 Parquet；不能包含可被编码的未来标签。 - query.npz 除数值历史外，还包含每个 32 点 patch 的图像、文本特征。 - runendogenous.py 读取已经生成的特征，不直接把原始 CSV/Arrow 当模型输入。 建议 Python 3.11，支持 3.10–3.12。依赖 requirements.txt。 把下面示例路径换成你自己的路径，文件名保持 checkpoint 原来的写法： 只做内源推理需要内源模型和 CLIP。若测最终联合训练模型的内源结果，还必须加载最终 sharedheadstate.pt；不传 --shared-head 使用的是内源目录里的旧 head。 外源推理另需外源模型和 TS 检索编码器。TS encoder 是冻结的数值骨干，可选用任意基模（TimesFM3等）。 两份文件的变量 ID 都是 series-A、series-B。这个例子的查询取自合成训练序列末尾，仅用于检查接口；它不是独立的 benchmark 测试集。 此时 demo/query.npz 包含： 256 个点对应 8 个 32 点 patch；每个 patch 的图像和文本都编码成 512 维特征。不调用大语言模型，描述由统计量模板生成。…
Independent publisher
Linfeng Wang
linfengwangpower
Foundation models&Time series analysis
Models in Library1
Datasets in Library0
Models on Hugging Face1
Followers—
Compare the published evidence
This profile connects the 1 model and dataset record shown below to their upstream cards and sources. The library counts describe SAVRN's coverage, rather than this publisher's entire output.
Compare model specifications, source dates, and hardware estimates on the individual records. Publisher identity verification is separate from a model's quality, deployment readiness, or suitability for your work.