当城市早高峰的车流数据实时涌入交通管控系统，当医院的心电图仪持续记录患者的心脏电活动，当股票交易所的行情面板每秒刷新数十次股价波动——这些伴随时间流逝不断产生的“时间序列数据”，早已成为现代社会运转的“数字脉搏”。从金融风控、医疗诊断到能源调度、交通管理，几乎所有关键领域的决策，都依赖于对这些时序数据的深度解读。

过去数十年间，时间序列分析领域涌现出了从经典统计模型（如ARIMA、ETS）到深度学习方法（如LSTM、Transformer）的大量技术，它们在“预测未来”“识别异常”等基础任务上取得了显著进展。例如，早期用LSTM预测未来24小时的城市用电量，用CNN检测心电图中的心律失常片段，这些传统技术早已落地于实际场景。

但随着应用需求的不断升级，传统方法的“能力边界”逐渐显现。在个性化医疗场景中，医生不仅需要模型判断“患者是否存在心律异常”，更需要知道“异常与哪些生理指标、哪个时间段的活动相关”；在自适应风险管理中，基金经理不仅需要股价预测结果，更需要理解“若政策调整，股价可能如何变化”的因果逻辑；在 autonomous 交通系统中，控制器不仅要检测拥堵，还需实时调整信号策略并验证效果——这些需求，都超出了传统时间序列分析仅输出结果、不解释过程的能力范畴。

与此同时，大语言模型（LLMs） 的爆发式发展，为时间序列分析带来了一场“范式革命”。不同于传统模型的“黑箱式拟合”，LLMs具备输出显式推理过程、生成因果假设、与外部工具协作的能力——这些特性，恰好击中了传统时序分析的痛点。正是在这一背景下，时间序列推理（Time Series Reasoning, TSR） 这一新兴领域应运而生，旨在将LLM的推理能力与时间序列的数据特性深度融合，构建能分析、能解释、能决策的新一代时序智能系统。

近日，来自加州大学洛杉矶分校（UCLA）、南加利福尼亚大学（USC）、阳明交通大学的跨校团队，联合发布了一篇题为**《A Survey of Reasoning and Agentic Systems in Time Series with Large Language Models》**的重磅综述。这篇综述不仅首次为“时间序列推理”给出了清晰的定义，更构建了一套覆盖“推理结构-任务目标-技术特征”的三维分类框架，系统梳理了领域内的研究成果、数据集与基准，并明确指出了未来的核心挑战与研究方向。对于希望进入这一领域的研究者，或是寻求技术落地的从业者而言，这篇综述无疑是一份“全景式路线图”。

• 论文链接：https://arxiv.org/pdf/2509.11575
• 开源仓库：https://github.com/blacksnail789521/Time-Series-Reasoning-Survey

所调研论文数量：研究类论文（左侧）与非研究类论文（右侧）

为什么需要“时间序列推理”？传统方法的局限与LLMs的突破

在深入综述内容之前，我们首先需要理解一个核心问题：为什么要提出“时间序列推理”这一概念？

传统时间序列分析的核心是“预测”与“分类”——比如用ARIMA、LSTM预测未来股价，用CNN检测心电图中的异常片段。这些方法虽在特定任务上表现出色，但存在三大关键局限：

1. 缺乏解释性：深度学习模型常被称为“黑箱”，即便能预测出“某患者存在心律异常”，也无法说明“异常与哪些生理指标、时间段相关”；
2. 难以处理因果：当需要判断“若调整交通信号灯时长，能否缓解拥堵”时，传统模型只能基于相关性分析，无法推导干预措施的真实因果效应；
3. 静态响应不足：面对动态变化的场景（如实时调整电网负荷、动态优化交易策略），传统模型无法像人类一样“逐步思考、迭代修正”。

而LLMs的出现，恰好为解决这些问题提供了新工具。综述指出，LLMs不仅能拟合数据模式，还具备三大核心能力：

• 分步推理轨迹：能像人类一样输出“第一步分析趋势、第二步验证异常、第三步推导结论”的显式推理过程；
• 因果假设生成：可基于时序数据提出“某事件可能导致另一事件”的因果假设，并结合领域知识验证；
• 智能体交互能力：能与外部工具（如数据库、模拟器）协作，甚至形成多智能体系统，实现“感知-规划-行动-反思”的闭环。

正是基于这些能力，“时间序列推理”被定义为：利用LLMs对时序索引数据执行显式结构化推理的方法，可融合多模态上下文与智能体系统，不仅强化传统分析任务，还能实现解释、干预与动态生成。这一定义，也成为了整篇综述的核心出发点。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

三维分类框架：从“如何推理”到“为何推理”

综述最核心的贡献，是构建了一个“推理拓扑-核心目标-属性标签”的三维分类框架，将零散的研究统一到系统性的框架下。这一框架不仅能帮助研究者定位现有工作，更能清晰识别领域空白。

图 1：推理拓扑与核心目标框架，辅以轻量级属性标签。

第一维度：推理拓扑——定义“如何推理”的结构

推理拓扑描述了LLMs执行推理的“流程结构”，综述将其分为三类，构成了从简单到复杂的能力光谱：

图 4：三种推理拓扑类型：直接推理、线性链推理与分支结构推理。黄色方框代表中间推理步骤。分支结构推理额外支持四种结构：分叉（fork）、聚合（aggregation）、剪枝（pruning）与循环（cycle）。

1. 直接推理（Direct Reasoning）：单步映射，高效但“黑箱”

直接推理是时间序列推理中最为基础的拓扑结构，它的特点是模型直接将时间序列输入映射到输出，中间不产生或暴露任何推理过程。这种推理方式就像是一个“黑箱”，直接给出结果，却不展示得出结果的步骤。

图 9：时间序列推理中直接推理方法的分类体系

在传统时间序列分析任务里，直接推理的应用十分广泛。以预测任务为例，LLMTIME把预测问题转化为对文本化数字的下一个token生成任务，通过采样多个延续结果来总结点预测和概率预测；CiK则引入了上下文辅助基准，通过直接提示的方式让模型输出结构化的概率预测。在分类任务中，HiTime通过对齐时间序列和文本语义，让经过调整的大语言模型在单次前向传递中就能生成类标签。而在异常检测方面，Zhou和Yu通过提示大语言模型和多模态大语言模型，使其从文本化序列或绘制的图像中一步返回异常区间。

虽然直接推理在简单任务上能快速给出结果，效率较高，但它的局限性也很明显。由于缺乏中间推理步骤，其可解释性差，面对复杂任务时，鲁棒性不足。比如在处理一些需要深入分析和复杂逻辑的问题时，直接推理可能无法准确把握数据中的复杂关系，导致结果的准确性和可靠性下降 。

综述中提到的典型案例包括：

• LLMTIME：将时序数据转化为文本化的数字序列，用LLM以“下一个token预测”的方式实现时序预测；
• CMLLM：将风力发电机的SCADA信号转化为文本，结合领域知识前缀，让冻结的LLM直接生成预测token，再映射回数值。

2. 线性链推理（Linear Chain Reasoning）：分步执行，显式中间态

线性链推理，在直接推理的基础上有了进一步发展。它通过引入一个有序的推理步骤序列，每个步骤都依赖前一个步骤的输出，形成了一条逻辑连贯的推理链。这种结构使得中间状态能够被明确表示、检查和修改，大大提升了推理过程的可解释性和模块性。

图 10：时间序列推理中线性链推理方法的分类体系

在传统时间序列分析中，线性链推理的应用案例众多。像TimeReasoner将时间序列预测视为深思熟虑的推理过程，使用结构化提示让大语言模型在生成预测之前先分析模式；RAF引入检索增强框架，通过构建特定数据集的数据库，检索相关的时间序列片段来辅助预测。在分类任务中，TableTime将时间序列序列化为表格提示，用于无训练的分类；VL-Time则把时间序列转化为图像，利用视觉语言模型进行分类。

在解释与理解、因果推断与决策以及时间序列生成等任务中，线性链推理也发挥着重要作用。例如在解释与理解方面，Tan等人通过引导对变化的逐步分析来推断自然语言事件序列，从而解释观察到的时间片段；在因果推断与决策的自主政策学习中，FinAgent通过市场情报、检索等一系列有序步骤来做出交易决策。

不过，线性链推理也并非完美无缺。它的执行路径单一，缺乏分支和反馈机制，在面对需要同时探索多种可能性的复杂情况时，灵活性不足，可能无法全面考虑各种因素，影响最终的决策质量 。

典型案例包括：

• TimeRAG：将时序数据切分为代表性片段，检索相似历史片段后，转化为自然语言提示输入LLM，实现预测；
• VLM4TS：两阶段异常检测——先用视觉编码器筛选候选异常，再用视觉语言模型（VLM）验证并修正结果，输出最终异常区间与解释。

3. 分支结构推理（Branch-Structured Reasoning）：多路径探索，灵活且自修正

分支结构推理是三种推理拓扑中最为复杂的一种。它允许推理过程在同一执行过程中分叉为多个路径，模型可以并行或顺序地探索不同的假设、候选预测、解释或计划。这种结构还支持反馈循环和交叉分支聚合，使得模型能够根据后续的信息对之前的输出进行修正和优化，大大增强了模型的灵活性和自校正能力。

图 11：时间序列推理中分支结构推理方法的分类体系

在传统时间序列分析的预测任务中，Zhang等人将新闻驱动的预测视为一个竞争的多智能体过程，通过并行假设的迭代修剪和自我反思来改进预测；NewsForecast则通过对错误的反思和更新选择逻辑来调整预测。在分类任务里，ReasonTSC进行结构化的多轮推理，通过回溯探索替代方案来做出更准确的决策；ColaCare通过引发不同的智能体评论并融合结果，提升临床报告的预测准确性。

在解释与理解、因果推断与决策以及时间序列生成任务中，分支结构推理同样表现出色。例如在解释性诊断方面，TESSA通过协调多个智能体进行跨域解释性注释；在因果推断与决策的自主政策学习中，FinArena协调多个智能体进行金融决策；在时间序列生成任务中，BRIDGE通过多智能体团队的协作，生成可控的合成序列。

然而，分支结构推理的复杂性也带来了一些挑战。比如，分支的增长可能导致计算成本迅速增加，如何控制分支的数量和范围成为关键问题；同时，反馈循环可能引发不稳定性，模型需要精确地定义停止条件以确保推理过程的收敛性和可重复性 。

典型案例包括：

• AD-AGENT：多智能体异常检测框架——生成智能体提出检测规则，审查智能体修正规则，记忆智能体存储历史经验，形成“生成-审查-修正”的分支循环；
• BRIDGE：时序生成模型——多智能体团队迭代提出、批判、修正文本描述，再基于描述生成符合约束的时序数据，实现“语义可控的生成”。

第二维度：核心目标——定义“为何推理”的意图

如果说推理拓扑是“方法”，核心目标就是“目的”。综述将时间序列推理的核心目标分为四类，覆盖了从基础分析到高级决策的全场景：

1. 传统时间序列分析：夯实基础任务

这是最基础的目标，涵盖传统时序任务，但用LLM增强性能或灵活性：

• 预测：如用LLM结合文本上下文（如新闻）预测股价（Yu et al., 2023）；
• 分类：如将心电图（ECG）信号与文本描述融合，用LLM分类心律类型（HiTime）；
• 异常检测：如用VLM分析时序图表，检测电力系统中的异常（VLM4TS）；
• 分割：如用LLM将长时序数据切分为有意义的子区间（MedTsLLM用于医疗信号分割）。

2. 解释与理解：让LLM“说清楚”结果

这一目标聚焦“可解释性”，要求LLM不仅输出结果，还能生成人类可理解的解释：

• 时序问答（Temporal QA）：如“2023年Q3的销售额环比增长了多少？”，LLM需从时序数据中提取信息并回答（Time-MQA）；
• 诊断解释：如生成ECG诊断报告时，说明“异常波峰出现在第10秒，可能与心肌缺血相关”（GEM）；
• 结构发现：如从工业时序数据中提取因果关系（如“温度升高导致压力上升”）（RealTCD）。

3. 因果推断与决策：从“描述”到“干预”

这是更高级的目标，要求LLM不仅分析数据，还能推导“如果做X，会发生Y”的因果效应，并支持决策：

• 自主策略学习：如LLM结合市场数据，自主学习“何时买入/卖出”的交易策略（FinAgent）；
• 辅助决策支持：如为医生提供“若调整用药剂量，患者心率可能如何变化”的建议（SocioDojo）；
• 控制优化：如LLM生成交通信号灯控制策略，优化路口通行效率（Open-TI）。

4. 时间序列生成：创造符合约束的“假数据”

这一目标聚焦“数据合成”，要求LLM生成符合特定约束的时序数据（如“生成符合‘早高峰拥堵、晚高峰平缓’的交通流量数据”）：

• 条件合成：如基于文本描述（“未来5天的温度先降后升”）生成时序数据（GenG）；
• 场景模拟：如生成极端天气下的电网负荷数据，用于测试系统鲁棒性（BRIDGE）。

第三维度：属性标签——细化方法的“辅助特征”

属性标签是对前两个维度的补充，描述了方法的“辅助特征”，共分为四类，帮助研究者更精细地分类工作：

1. 控制流操作：如是否分解任务（如将预测拆分为“趋势预测+季节项预测”）、是否验证结果（如用另一个模型检查预测合理性）；

图 5：控制流操作符：任务分解（task decomposition）、验证与批判（verification and critique）及集成选择（ensemble selection）

2. 执行主体：如是否使用外部工具（如调用数据库检索历史数据）、使用多少智能体（单智能体/多智能体）；

图 6：执行主体：工具使用（tool use）、单智能体推理（single-agent reasoning）与多智能体推理（multi-agent reasoning）

3. 信息来源：如是否融合多模态数据（时序+文本+图像）、是否访问外部知识（如调用知识库查询领域规则）；

图 7：信息来源：多模态输入（multimodal inputs）与外部知识访问（external knowledge access）

4. LLM对齐方式：如用提示工程（Prompting）、监督微调（SFT）、强化学习（RLHF）等方式让LLM适配时序任务。

图 8：大语言模型（LLM）对齐机制：提示工程（prompting）、监督微调（supervised fine-tuning）、强化学习 / 偏好对齐（reinforcement/preference alignment）及混合方法（hybrid approaches）

资源与工具：从数据集到基准，支撑研究落地

要推动领域发展，完善的资源与工具至关重要。综述专门梳理了三类核心资源，为研究者提供“开箱即用”的支撑：

图 12：时间序列推理领域当前研究现状与资源分类体系

1. 推理优先（Reasoning-First）基准：专门测试推理能力

这类基准的设计目标就是“考核LLM的推理能力”，而非仅测试预测 accuracy：

• MTBench：多模态时序问答基准，要求LLM结合文本报告与时序数据回答问题（如“某患者的心率异常与用药时间是否相关”）；
• TimeSeriesGym：时序智能体基准，构建了可复现的环境，测试LLM在“规划-工具使用-迭代修正”中的表现；
• CiK：上下文依赖预测基准，测试LLM能否利用文本上下文（如“某地区发生自然灾害”）提升时序预测准确性。

2. 推理就绪（Reasoning-Ready）基准：自带“推理所需信息”

这类基准虽非专为推理设计，但包含丰富的辅助信息（如文本描述、领域知识），可直接用于推理研究：

• GPT4MTS：多模态时序基准，包含时序数据与对应的文本描述（如“这是某城市2023年的降雨量数据”）；
• RATs40K：异常检测基准，不仅提供时序数据，还包含“异常原因”的文本标注，支持解释性研究；
• STOCK23：金融时序基准，包含股价数据与对应的新闻、财报文本，支持“文本-时序融合推理”。

3. 通用时序（General-Purpose）基准：传统任务的“通用测试床”

这类基准是传统时序任务的经典基准，可用于对比LLM与传统方法的性能：

• FinBen：金融时序基准，包含股票、期货等数据，支持预测、风险管理等任务；
• UEA/UCR：时序分类基准，包含多领域数据（如传感器、医疗），常用于测试分类模型；
• TSFM-Bench：时序基础模型基准，包含多模态、多任务数据，支持大规模模型评估。

开放问题与未来方向：从“窄精度”到“大规模可靠性”

尽管时间序列推理已取得不少进展，但综述指出，领域仍面临六大核心挑战，这些挑战也定义了未来的研究方向：

1. 标准化评估：如何衡量“推理质量”？

当前评估多关注“预测 accuracy”，但推理质量需要更全面的指标：

• 需结合“证据忠实性”（解释是否与数据一致）、“决策效用”（推理结果能否提升决策效果）；
• 需构建“压力测试”基准（如数据分布偏移、长时域场景），而非仅测试简单场景。

2. 多模态融合与对齐：如何让LLM“看懂”时序+文本+图像？

多模态是时序推理的重要方向，但当前存在三大问题：

• 时间对齐：文本中的“昨天”、图像中的“某个时刻”与时序数据的时间戳如何精准匹配；
• 模态失衡：文本常包含更丰富的标签，导致LLM“重文本、轻时序”（如忽略时序中的细微变化）；
• 风格鲁棒性：将时序数据转化为图表时，不同绘图风格（如折线图、柱状图）可能导致LLM性能波动。

3. 长上下文与效率：如何处理“超长时序”？

现实中的时序数据常长达数月甚至数年，但LLM的上下文窗口有限：

• 需开发“时序压缩”技术（如保留关键事件、压缩冗余数据），在不丢失信息的前提下缩短输入长度；
• 需优化推理效率（如流式推理、增量更新），避免长时序导致的高延迟。

4. 智能体与工具使用：如何让LLM“安全地行动”？

智能体系统需解决“鲁棒性”与“安全性”问题：

• 行动选择：如何在“不确定环境”下选择最优行动（如“若预测不准，是否应暂停交易”）；
• 工具适配：如何应对工具API变更、数据格式变化等“现实问题”；
• 风险控制：如何设置“安全阈值”（如当推理置信度低于80%时，触发人工审核）。

5. 因果推断落地：如何从“相关性”到“因果性”？

因果推断是时序推理的核心目标，但落地困难：

• 需解决“时间混淆变量”（如“看似A导致B，实则是第三个变量C同时影响A和B”）；
• 需构建“因果基准”（如已知数据生成过程中的因果关系，用于验证LLM的因果推断能力）。

6. 成本与实用性：如何平衡“性能”与“成本”？

LLM推理的计算成本较高，需在性能与成本间权衡：

• 需开发“轻量化推理”技术（如用小模型完成基础步骤，大模型仅处理复杂推理）；
• 需将“成本”纳入设计指标（如“用1/10的计算量，实现90%的性能”）。

总结：时序推理的下一个十年

这篇综述不仅是对现有研究的梳理，更定义了“时间序列推理”这一新兴领域的核心范式。从“直接推理”到“分支结构推理”，从“预测”到“因果决策”，LLM正在将时间序列分析从“静态黑箱”转变为“动态、可解释、能行动”的智能系统。

未来的时间序列推理，将不再追求“窄范围的高精度”，而是向“大规模的可靠性”迈进——系统不仅能在实验室环境中表现出色，更能在金融、医疗、能源等关键领域中，基于可追溯的证据，生成可信的结果，真正实现“理解、解释、并作用于动态世界”。

%的性能”）。

总结：时序推理的下一个十年

这篇综述不仅是对现有研究的梳理，更定义了“时间序列推理”这一新兴领域的核心范式。从“直接推理”到“分支结构推理”，从“预测”到“因果决策”，LLM正在将时间序列分析从“静态黑箱”转变为“动态、可解释、能行动”的智能系统。

未来的时间序列推理，将不再追求“窄范围的高精度”，而是向“大规模的可靠性”迈进——系统不仅能在实验室环境中表现出色，更能在金融、医疗、能源等关键领域中，基于可追溯的证据，生成可信的结果，真正实现“理解、解释、并作用于动态世界”。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】