AnomSeer：通过强化多模态大语言模型进行时间序列异常检测的推理

时间序列异常检测（TSAD）在多模态大语言模型（MLLMs）中是一个新兴领域，但其仍面临挑战：MLLMs依赖粗略的时间序列启发式方法，难以进行多维、细致的推理，这对理解复杂时间序列数据至关重要。本文提出AnomSeer，通过强化模型使其推理基于时间序列的精确结构细节，统一异常分类、定位和解释。核心是生成专家思维链迹，提供可验证的细粒度推理，基于经典分析（如统计指标、频率变换）。在此基础上，我们提出一种新的基于时间序列的策略优化方法（TimerPO），包含两个额外组件：基于最优传输的时间序列优势函数和正交投影，以确保辅助信号不干扰主要检测目标。实验表明，在多种异常场景下，AnomSeer在分类和定位精度上优于更大的商业基线（如GPT-4o），特别是在点异常和频率驱动异常方面表现突出，并能生成支持结论的时间序列推理轨迹。