Chatts 14B

🚀 [VLDB' 25] ChatTS-14B モデル

ChatTS は、ビジョン/ビデオ/オーディオのMLLMが行うように、時系列データの理解と推論に焦点を当てています。このリポジトリでは、ChatTS のコード、データセット、モデルを提供しています。

[VLDB' 25] ChatTS: Aligning Time Series with LLMs via Synthetic Data for Enhanced Understanding and Reasoning

🚀 クイックスタート

ChatTS は、任意の長さと値の範囲を持つ多次元時系列データをネイティブにサポートします。これを使用すると、時系列データの形状特徴と値特徴の両方を簡単に理解し、推論することができます。また、vLLMs などの既存の推論フレームワークを活用して、既存のLLMパイプラインに統合し、より多くの時系列関連のアプリケーションを実現することもできます。

以下は、ChatTSアプリケーションの例で、ユーザーがLLMと対話して時系列データを理解し、推論することができます。

論文へのリンク

Githubリポジトリへのリンク

💻 使用例

基本的な使用法

# This model is fine-tuned on the QWen2.5-14B-Instruct (https://huggingface.co/Qwen/Qwen2.5-14B-Instruct) model. For more usage details, please refer to the `README.md` in the ChatTS repository.
from transformers import AutoModelForCausalLM, AutoTokenizer, AutoProcessor
import torch
import numpy as np

# Load the model, tokenizer and processor
model = AutoModelForCausalLM.from_pretrained("./ckpt", trust_remote_code=True, device_map="auto", torch_dtype='float16')
tokenizer = AutoTokenizer.from_pretrained("./ckpt", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("./ckpt", trust_remote_code=True, tokenizer=tokenizer)
# Create time series and prompts
timeseries = np.sin(np.arange(256) / 10) * 5.0
timeseries[100:] -= 10.0
prompt = f"I have a time series length of 256: <ts><ts/>. Please analyze the local changes in this time series."
# Apply Chat Template
prompt = f"<|im_start|>system
You are a helpful assistant.<|im_end|><|im_start|>user
{prompt}<|im_end|><|im_start|>assistant
"
# Convert to tensor
inputs = processor(text=[prompt], timeseries=[timeseries], padding=True, return_tensors="pt")
# Model Generate
outputs = model.generate(**inputs, max_new_tokens=300)
print(tokenizer.decode(outputs[0][len(inputs['input_ids'][0]):], skip_special_tokens=True))

📚 ドキュメント

参考情報

• QWen2.5-14B-Instruct (https://huggingface.co/Qwen/Qwen2.5-14B-Instruct)
• transformers (https://github.com/huggingface/transformers.git)
• ChatTS Paper

📄 ライセンス

このモデルは、Apache License 2.0 の下でライセンスされています。

引用

@article{xie2024chatts,
  title={ChatTS: Aligning Time Series with LLMs via Synthetic Data for Enhanced Understanding and Reasoning},
  author={Xie, Zhe and Li, Zeyan and He, Xiao and Xu, Longlong and Wen, Xidao and Zhang, Tieying and Chen, Jianjun and Shi, Rui and Pei, Dan},
  journal={arXiv preprint arXiv:2412.03104},
  year={2024}
}