Time-R1 是模型训练领域的开源项目，由 ustc-time-series 开发，2025 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 100。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-18。本地部署，完全免费。
它主要面向的使用场景是：金融时序预测（如股票、汇率）需要解释决策依据。同类可对比的替代方案包括 Time-LLM、Chronos、Lag-Llama。
Time-R1
让大模型像专家一样一步步推理预测时间序列
Time-R1 是一个两阶段强化微调框架，用于训练大语言模型进行慢思考、逐步推理，以实现准确且可解释的时间序列预测。它解决了传统时间序列模型缺乏可解释性和推理能力的问题，通过强化学习让模型在预测时生成推理链条，并利用基于规则的可验证奖励函数来优化预测精度。核心能力包括：将时间序列数据转化为文本标记、构建推理轨迹、通过两阶段训练（先监督微调再强化学习）提升模型性能。该框架支持多种基础模型，并提供了完整的训练和评估流程，适合研究者和开发者用于金融、能源、交通等领域的预测任务。
开源
free
开源模型
GitHub 星标
★ 100
维护状态
活跃
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队ustc-time-series
所属国家
定价模式free
价格说明开源框架，本地部署，完全免费
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型large-language-models,reinforcement-learning,time-series-forecasting
GitHub 星标★ 100
30天Star增速
HF 下载量
上线时间2025-05-15 00:00:00
最近更新2026-09-18 00:00:00
维护状态活跃
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2
使用教程
核心亮点
- 两阶段训练策略（SFT+RL）有效提升预测精度和推理能力
- 基于规则的奖励函数，无需人工标注，可自动化验证预测结果
- 生成可解释的推理链条，突破传统黑盒预测模型局限
不足之处
- 文档/社区待观察
- 依赖大模型推理，计算资源消耗较高
适用场景
- 金融时序预测（如股票、汇率）需要解释决策依据
- 能源负荷预测，需结合上下文推理异常波动
- 科研场景中探索LLM在时序推理上的能力边界
替代项目
Time-LLM、Chronos、Lag-Llama
项目介绍
上一篇：reasoning-gym
下一篇：SIM-CoT
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···