标题TFRBench: A Reasoning Benchmark for Evaluating Forecasting Systems来源arXiv, 2604.05364v1️文章简介研究问题如何突破传统时间序列预测仅依赖数值精度评估的局限建立一套能系统衡量模型因果推理与可解释性能力的标准主要贡献论文提出了 TFRBench这是首个专注于评估预测系统推理能力的基准通过多智能体框架生成经数值验证的高质量推理轨迹。重点思路构建包含搜索、推理、验证、预测和总结五个角色的多智能体框架利用迭代“生成 - 验证 - 优化”循环合成推理数据。引入外部事件检索机制要求模型分析跨通道依赖、趋势季节性及外部事件影响生成自然语言推理链。设计双重评估协议结合LLM 作为裁判”评分推理质量与 MASE 指标衡量数值精度确保推理具有因果有效性。覆盖能源、销售、云运维、交通和金融五大领域的十个数据集严格筛选优于朴素基线的样本作为参考标准。分析总结实验表明推理质量与预测精度强相关高推理得分的模型 consistently 获得更低的预测误差。在规律性强的领域如太阳能显式推理显著提升准确率但在高随机性领域如金融现成大模型易产生“叙事偏差”导致性能下降。引入外部事件上下文能有效辅助能源和交通等领域的预测但在内部驱动的云运维场景中可能成为干扰因素。通用大模型虽在纯数值预测上略逊于专用时序基础模型但结合结构化推理后可缩小差距并提供关键的可解释性。个人观点论文将时间序列预测从“黑盒”数值竞争转向“白盒”逻辑验证利用自动化多智能体闭环解决了推理真值难以获取的难题。