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。
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。
模型通过时间序列编码器或时序 Tokenizer 对历史序列进行表征学习，挖掘趋势、周期、波动、局部形态和多变量依赖，形成基于历史数值模式的基础未来轨迹。
模型引入天气、节假日、事件、政策、新闻文本、领域知识和系统状态等多源情境信息，并通过跨模态对齐机制将数值时序与语义情境统一到可推理的表示空间中。
CastMind 借助大模型的情境理解、知识调用、机制分析和结构化推理能力，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。
模型将推演结果转化为对基础预测的修正量，输出最终预测结果、趋势变化解释和不确定性判断，并通过监督微调、强化学习、工具调用反馈和案例记忆不断提升情境推理与趋势推演能力。
预训练语言大模型作为 Backbone Network，SFT / RLVR / OPD 作为能力优化算法，数据质量评估与调度优化作为训练与泛化的基础支撑。
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：
OPD 可以作为 CastMind 后期的重要优化算法，即 On-policy Distillation。
它的思路是：先用强大的 CastMind-Agent 或大模型进行多轮情境推理、工具调用和预测修正，再把这些高质量推演轨迹蒸馏到更小、更快、更稳定的模型中。
OPD 蒸馏的不只是最终答案，而是整个推演策略：
这样可以得到：
所以 OPD 可以定位为：
这是 CastMind 很关键的一层。因为情境感知预测不是数据越多越好，而是要求数据具有：
可以为每个训练样本设计质量评分：
其中：
然后通过调度优化控制训练数据采样：
也就是优先训练高质量、高信息密度、高情境覆盖的数据，同时动态加入困难样本、失败案例和不同领域样本。
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：
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）的四个阶段不是简单的 Base / SFT / RL 分段， 而是明确对应四类能力跃迁：
建立 Feature Encoder + LLM Backbone 的模型底座。 原始动态数值序列被编码为 temporal embeddings 后输入语言模型， 让模型具备跨域时序表征、基础预测、上下文融合和多模态情境对齐能力。
通过监督微调学习趋势分析、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能力。
强化结构化上下文推理能力，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， 将预测从模式外推推进到推理式预测。
在预测过程中主动发现证据缺口，与 Memory、检索器、上下文工具、 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中间判断和最终预测。
这一路线可以概括为： 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"。
CastMind（星思）的评估同时覆盖 in-domain 能力和 out-of-domain 泛化能力， 全面验证 Feature Encoder、Context-aware Feature 与 Agentic Reasoning 的综合增益：
使用现有数据集测试集，检验 CastMind（星思）在已见领域和数据分布下的性能。
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。
以 FutureCast（天星台） 为核心评测集，构造未见领域、未见上下文类型和复杂情境变化下的预测任务。
| 评估维度 | 指标 | 适用阶段 |
|---|---|---|
| 数值预测准确性 | MAE · MSE · RMSE · sMAPE · MASE | 全部阶段 |
| 概率预测质量 | CRPS · Pinball Loss · PI Coverage | 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 | Zero-shot / Few-shot 指标（FutureCast（天星台）） | 全部阶段 |
CastMind 借鉴大模型慢思考推理范式，构建面向时间序列推演的长链路认知推理机制，通过多步情境分析、知识调用、机制判断和反思修正，实现对复杂系统未来趋势的可解释、可验证预测。