AutoTimes 是模型训练领域的开源项目，由 thuml 开发，2024 年首次发布。
它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 270。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，需自行部署使用。
它主要面向的使用场景是：学术研究：探索LLM在时间序列预测中的潜力。同类可对比的替代方案包括 TimeGPT、Chronos、Lag-Llama。
AutoTimes
用大模型直接做时间序列预测，无需改架构
AutoTimes 是论文《AutoTimes: Autoregressive Time Series Forecasters via Large Language Models》的官方实现，旨在将大型语言模型（LLM）直接用作自回归时间序列预测器。它解决了传统时间序列模型在泛化能力和跨领域适应性上的不足，通过将时间序列分词为与文本兼容的标记，并利用LLM的自回归生成能力进行预测，无需修改模型架构或额外训练大量参数。核心能力包括：支持多种LLM骨干（如GPT-2、Llama等），提供统一的预测流程，以及高效的零样本和少样本预测。项目代码基于Python，包含完整的训练、评估和推理脚本，适合学术研究和工业快速原型验证。
开源
free
开源模型
GitHub 星标
★ 270
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队thuml
所属国家
定价模式free
价格说明开源项目，MIT许可证，完全免费，需自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型large-language-models,time-series-forecasting
GitHub 星标★ 270
30天Star增速
HF 下载量
上线时间2024-02-20 00:00:00
最近更新2026-09-23 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3
使用教程
核心亮点
- 直接复用LLM的自回归能力，无需修改模型结构，实现简单
- 支持多种主流LLM（如GPT-2、Llama），灵活适配不同规模
- 提供完整的训练和评估脚本，易于复现论文结果
不足之处
- 依赖大型语言模型，推理成本较高
- 对长序列预测的精度可能不如专用时序模型
- 文档/社区待观察
适用场景
- 学术研究：探索LLM在时间序列预测中的潜力
- 零样本预测：快速预测未见过的数据集
- 多领域时序预测：如金融、气象、能源等
替代项目
TimeGPT、Chronos、Lag-Llama
项目介绍
同类项目推荐
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···