Jev 与时间序列：能识别清晰形态，纯数值接近随机

决策模型 Jev 是为针对文本的问题而设计的。一篇新的预印本考察了这样一种情况：如果不给它文本，而是给它一串数字，例如传感器读数、股价或事件日志，会发生什么。来自 Hong Kong University of Science and Technology (Guangzhou) 的作者把时间序列领域的任务改写成带固定选项的问题，并用它们测试了 jev-1.13.0。S69 结果参差不齐：在形态明显的曲线和事件类型上，模型能分辨出一些东西，但在大多数数值序列上，它的回答大致处于随机水平。S69 对于考虑用 Jev 预测销量或价格走势的斯洛伐克网店来说，这是一个有用的提醒。

作者如何设计任务

这篇预印本的作者是 Jianye Wang、Kexin Zhang、Jiayin Xiong 和 Hao Xue。S69 他们把观测值按时间顺序放入 state，必要时附上通道名称和时间戳，并为每项任务加上一个固定的问题。模型把数字当作普通 token 读取。S69 二分类任务以 Noul 提问，多分类任务以 Choice 提问。S69 论文没有说明输入的具体形式，例如取整方式或窗口长度。S69

他们测试了六组任务：来自 UCR 档案的 41 个二分类和 86 个多分类单变量数据集、17 个多变量 UEA 数据集、5 个 EasyTPP 事件序列数据集、8 种 ETT 设置，以及三只股票（AAPL、BA、CAT）的每日收盘价。S69 在 ETT 上，问题是油温在 24 小时内是否会上升。在股票上，问题是价格在固定数量的交易步之后是否会上涨。S69

作者用两个指标报告结果：准确率（ACC）和 AUC。S69 AUC 反映模型是否给正确答案比错误答案更高的概率。0.5 相当于随机猜测。

Jev 在哪里表现尚可，在哪里不行

形态清晰的数据集表现最好。在 SyntheticControl 上，Jev 的准确率为 0.81，AUC 为 0.9978；在 SmoothSubspace 上，准确率为 0.90，AUC 为 0.9815。S69 在 EasyTPP 事件序列上，平均 AUC 为 0.7028；在 Taobao 数据集上，准确率达到 0.6343，AUC 为 0.8241。S69

另一端是股票和工业测量数据。三只股票的平均 AUC 为 0.5040，准确率为 0.5034，几乎就是随机水平。S69 在 ETT 上，平均 AUC 为 0.5900，据作者称，大多数设置下的准确率都在 0.5 左右。S69 大多数数值分类任务也接近随机：多分类 UCR 数据集的 AUC 中位数为 0.5047，UEA 为 0.4986。S69 心电图等生理信号的表现同样较差。作者给出的可能解释是领域知识不足、对信号特征的捕捉不够，但并没有确定具体原因。S69

排序好不等于决策好

AUC 与准确率之间的差距值得注意。在 GunPoint 数据集上，AUC 为 0.7215，准确率却只有 0.52。在 BasicMotions 上，AUC 为 0.7671，准确率为 0.30。S69 也就是说，概率有时会把正确答案排得更靠前，但据此做出的最终选择仍然出错。作者认为，这说明有必要研究二分类问题的阈值，以及不同类别之间分数的可比性。他们在预印本中并没有直接测量这一点。S69

这对斯洛伐克网店意味着什么

一个诱人的想法是：把某个商品过去几周的每日销量发给 Jev，问它下周销量会不会上升。股票和油温任务正是这种形式，即一串数值加上“数值是否会上升”的问题，而这些任务的结果接近随机。S69 JEV.sk 自己的建议：趋势、季节性和同比对比应在代码中或用常规统计方法计算。把针对文本的问题留给 Jev，例如顾客消息是否在反映包裹延误。如果仍想使用数值信号，请在 state 中放入已经计算好的描述（“14 天内销量下降了 30%”），而不是原始数字。这同样只是建议，预印本并没有尝试过这种做法。

AUC 与准确率之间的差距还有一个实际后果。用 Jev 的概率做排序时，应在自己的数据上设定并验证阈值，而不是只依赖概率最高的选项。如何使用置信度和阈值，请参阅置信度与校准指南。各种问题类型的区别，请参阅 Choice、Score 和 Noul 页面。

预印本的局限

这是一篇预印本，且只测试了一个模型。作者没有把 Jev 与任何其他模型或常规时间序列方法进行比较，因此无法知道简单的统计方法会有怎样的表现。S69 他们也没有测量价格或响应速度。S69 被测试的版本是 jev-1.13.0。自2026年10月14日起，jev-1.14.0 已可使用，jev-latest 别名目前也指向它。S01 新版本在时间序列上是否表现更好，该预印本没有研究，JEV.sk 也没有测量过。