CastMind 是一个面向复杂系统的情境推理驱动时间序列推演大模型，通过融合历史序列、外部情境与领域知识，推演未来趋势在特定条件下的延续、增强、削弱、偏移或反转，并实现预测修正与机制解释。
“时序预测推演大模型（Time Series Forecasting Foundation Model / Time Series Reasoning Model）”是一类面向复杂动态系统、基于大规模时序数据预训练，并具备预测、推理、解释、交互和决策辅助能力的新一代智能模型。其目标不再只是“根据过去预测未来”，而是进一步实现：理解系统演化规律 → 结合外部情境知识 → 推演未来可能状态 → 评估不确定性 → 辅助决策。
CastMind 是这一范式下的情境推理驱动时间序列推演大模型。它首先从历史序列中挖掘趋势、周期、波动和变量依赖，形成基础未来轨迹；随后融合天气、事件、政策、文本、领域知识和系统状态等多源情境，理解系统运行条件；进一步通过大模型的知识推理与机制分析，判断历史趋势在特定情境下是否延续、增强、削弱、偏移或反转，完成未来状态推演、预测修正、不确定性评估与机制解释，为后续决策提供依据。
CastMind 的核心技术哲学，是用慢思考、长链路、可验证的认知推理过程，实现对时间序列未来趋势的条件化推演。其关键技术路径围绕“外推—理解—推演—修正”展开，将历史数值模式、多源情境信息和大模型推理能力组织为一个可解释、可修正的预测流程。
基于历史序列学习长期趋势、周期节律、局部波动、突变点与多变量依赖， 区分稳定结构、短期扰动与异常噪声，建立不含外部情境的基础未来轨迹。
检索并对齐天气、事件、政策、文本、领域知识和系统状态，评估证据的相关性、 时效性与可信度，判断不同条件对基础趋势的增强、削弱、偏移或反转作用。
围绕关键变量与机制假设，分别推演趋势延续、增强、削弱、偏移或反转等可能路径， 形成条件化的多情景未来状态空间，而不是给出唯一答案。
同时报告点预测误差、概率分布或预测区间，并通过敏感性和反事实分析， 识别风险来源、敏感因素和模型适用边界，说明结论在何种条件下可信。
把不同情景下的预测结果和风险评估转化为预警、调度、资源配置或行动建议， 比较不同干预方案的影响与代价，并根据反馈持续修正预测。
CastMind（星思）的推演输入由历史序列与情境特征两个模块构成： 前者提供数值轨迹基础，后者提供条件约束与机制解释。
历史序列是 CastMind 进行趋势推演的基础观测信号，负责刻画连续变化、局部波动、 周期结构、异常点、转折点和多变量依赖，形成可被后续情境推理修正的基础未来轨迹。
情境特征为预测提供外部条件和领域约束，包括天气、节假日、事件、政策、文本、 领域知识和系统状态等信息，用于判断历史趋势在特定情境下是否延续、增强、削弱、 偏移或反转。
一个典型的 CastMind（星思）训练样本包含以下八类信息：
预训练语言大模型作为 Backbone Network，SFT / RLVR 作为能力优化算法， 构成从通用认知主干、监督适配到可验证推演强化的关键技术路径。
CastMind 不一定从零训练时间序列大模型，而是以预训练语言大模型作为 Backbone Network，利用其已有的语言理解、知识表达、复杂推理、指令跟随和工具调用能力，作为时间序列推演的认知核心。
它的输入不只是历史时间序列，还包括：
其中：
Backbone 的作用不是简单生成数值，而是完成：
这里可以配合时序编码器、统计工具、时序 tokenizer、特征提取器或可视化输入接口，把数值时序转化为大模型可理解、可推理的表示。
SFT 的核心作用是把通用语言大模型适配到时间序列推演任务。
训练样本可以构造成：
SFT 重点训练模型学会四类能力：
所以 SFT 的目标不是简单拟合数值，而是让模型学习一套标准化的推演工作流：
RLVR 可以理解为 Reinforcement Learning with Verifiable Rewards，即用可验证奖励优化模型的推演行为。
它适合 CastMind，因为时间序列预测有天然可验证信号：
可以构造奖励函数：
其中：
RLVR 的价值在于让模型不只是“会说解释”，而是：
CastMind（星思）采用四个能力递进阶段： CastMind-Base → CastMind-SFT → CastMind-Structured Reasoning → CastMind-Agentic Reasoning。 Base 阶段解决"如何以 Feature Encoder 接入动态数值序列"；SFT 阶段解决"如何融合 Context-aware Feature 完成时序任务"； Structured Reasoning 阶段解决"如何进行上下文推理预测"；Agentic Reasoning 阶段解决 "如何与环境自主多轮交互、获取证据并修正判断"。
输入：原始时间序列 + 多模态情境 + 跨域语料
核心目标是建立"Feature Encoder + LLM Backbone"的模型底座。 原始时间序列首先经过 Feature Encoder 在数值空间中建模动态变化， 再输入语言模型，使模型具备跨域时间序列表征、基础预测、上下文融合和 多模态情境对齐能力。这个阶段重点不是复杂推理，而是让语言模型真正接入动态数值序列信号。
输入：监督微调任务样本 + 预测与解释示范
核心目标是让模型从"能表示时间序列"进一步变成 "能按照任务要求分析和预测时间序列"。 通过监督微调，模型学习趋势分析、预测生成、异常解释、外生变量理解、 Meta Data 融合、领域描述理解和 Context-aware Feature 对齐， 解决指令跟随、任务格式、预测输出和基础解释问题。
输入：结构化时序推理样本 + 推理质量反馈
核心目标是强化模型的结构化上下文推理能力。 模型不只是直接输出预测结果，而是能够围绕趋势变化、周期波动、异常扰动、 事件影响、情境变化和未来演化路径展开分步分析。 这个阶段把时间序列预测从"模式外推"推进到"推理式预测"。
输入：环境状态 + Memory/工具交互 + 证据检索与修正轨迹
核心目标是让 CastMind（星思）具备可评估的 Agentic Reasoning 能力。 模型在预测过程中可以主动发现证据缺口，与 Memory、检索器、外部变量服务和任务环境 自主多轮交互，检索历史相似模式、领域知识、失败经验、数据分析结论和过往预测轨迹， 并基于新证据持续修正上下文判断和最终预测。这个阶段强调环境交互闭环， 不是一次性的工具调用展示。
CastMind（星思）的时序预测评估首先遵循两大类指标体系： 确定性点预测评估衡量单一预测值或预测轨迹与真实值之间的误差， 概率性预测评估衡量预测分布、分位数和预测区间的质量、校准性与锐度。 在此基础上，评估同时覆盖 in-domain 能力和 out-of-domain 泛化能力， 并进一步验证 Feature Encoder、Context-aware Feature 与 Agentic Reasoning 的综合增益。
使用现有数据集测试集，分别检验 CastMind（星思）在已见领域和数据分布下的点预测精度与概率预测质量。
在四个阶段（Base / SFT / Structured Reasoning / Agentic Reasoning）间进行对比，展示各阶段对预测、上下文推理与环境交互能力的增益。概率区间的覆盖率与区间宽度必须联合报告，避免以过宽区间换取表面上的高覆盖率。
以 FutureCast（天星台） 为核心评测集，在未见领域、未见上下文类型和复杂情境变化下，同时评估确定性点预测与概率性预测的泛化能力。
| 评估维度 | 指标 | 适用阶段 |
|---|---|---|
| 确定性点预测评估 | MAE · MSE · RMSE · sMAPE · MASE | 全部阶段 |
| 概率性预测评估 | CRPS · Pinball Loss · PI Coverage · Mean Prediction Interval Width | SFT / Structured Reasoning / Agentic Reasoning |
| 趋势判断能力 | Direction Accuracy · Turning-point F1 | 全部阶段 |
| Feature Encoder 表示质量 | Dynamic Pattern Coverage · Turning-point Capture · Temporal Embedding Separability | 全部阶段 |
| 情境融入能力 | Contextual Integration · Context Attribution · Context Utilization | SFT / Structured Reasoning / Agentic Reasoning |
| 预测—推理一致性 | Prediction-Reasoning Consistency Score | Structured Reasoning / Agentic Reasoning |
| 环境交互质量 | Interaction Seeking · Evidence Grounding · Forecast Revision · Environment Feedback Use | Agentic Reasoning |
| 跨域泛化能力 | 确定性与概率性指标的 Zero-shot / Few-shot 表现及相对性能退化（FutureCast（天星台）） | 全部阶段 |
预测是推演的数值基础。推演是在预测之上对未来进行情境化、机制化和多情景扩展，而不是对预测的简单替代。
传统时间序列预测
What will happen?
情境感知时间序列预测
What will happen under this context?
机制推理与多情景推演
Why? What if? What should we do?
CastMind 以数值预测为基础锚点，引入外部情境和领域知识理解系统运行条件，通过机制分析、假设推理与多情景模拟，推演不同条件下的未来状态，评估其不确定性与风险，并为决策提供依据。