# 首个时空时序推理框架 STReasoner：让大模型读懂“什么时间、在哪、发生了什么”

> 原标题：首个时空时序推理框架：让大模型真正读懂时空数据 | ACL'26

- 来源：新智元 · 公众号
- 发布时间：2026-04-27T10:11:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/11348
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652695637&idx=3&sn=a365b2b84556264ef6637e0df611bb1d

## 摘要

埃默里大学和微软等团队搞了个 STReasoner，专门教大模型做时空时序推理，比如预测交通流量、分析疫情传播趋势。他们配套出了 ST-Bench 测试集，覆盖预测、异常检测、因果分析和问答四类任务。训练上用了网络随机微分方程加多智能体协作来造数据，再走对齐、带思维链的监督微调、以及 S-GRPO 强化学习这套流程。文章说推理成本只有闭源模型的千分之四...

## 推荐理由

我会先打个折：标题里的“首个”要看跟谁比，正文没给出对比范围，这点先别太激动。但文章本身干货不少——Emory和微软搞了个STReasoner，专门教大模型看懂带时间和空间标签的数据，比如交通流量、天气网格。他们自己搭了个ST-Bench测试集，分四类任务来考模型。训练上用了网络随机微分方程加多智能体生成对齐数据，再分三步训，最后用S-GRPO强化学习收尾。最实在的数字是推理成本只有闭源模型的千分之四，代码也放出来了，想试的人可以直接跑。对做时空预测、智慧城市那拨人来说，这是个能上手的新工具。

## 锐评

埃默里大学和微软搞了个 STReasoner，专门让大模型处理带时间和空间维度的数据，比如预测交通流量、分析疫情怎么扩散。他们配套出了 ST-Bench 测试集，覆盖预测、异常检测、因果分析和问答四类任务。训练流程分三步：先用网络随机微分方程加多智能体协作造数据，再走对齐和监督微调，最后用 S-GRPO 强化学习收尾。

文章说推理成本只有闭源模型的千分之四，这个数字挺吸引人，但原文被微信验证页挡住了，没法确认对比的是哪个闭源模型、在什么任务上测的、成本口径是什么。代码倒是放 GitHub 上了，可以自己跑跑看。

目前缺的是跟现有方法的横向对比，以及这套框架在真实业务场景里的表现——造的数据再漂亮，落地时能不能扛住脏数据和冷启动，还得看后续验证。