OpenTSLM时序语言模型上线SageMaker
时间:2026年11月17日,亚马逊云服务(AWS)宣布将开源时间序列语言模型 OpenTSLM 正式上线 Amazon SageMaker JumpStart,开发者现可直接在 AWS 环境中部署并微调该模型。
地点:本次发布面向 AWS 全球用户,模型托管于 Amazon SageMaker JumpStart 模型库中,支持在自有 AWS 环境内创建实时推理端点。
人物:OpenTSLM 由 Aionic Labs 开发,研究团队来自斯坦福大学 Schmiedmayer Lab 与苏黎世联邦理工学院 Agentic Systems Lab。Nexthink 与 Aionic Labs 已基于该模型构建主动式 IT 支持场景。
事件详情:OpenTSLM-Flamingo Gemma 3 4B 是首款登陆 SageMaker JumpStart 的版本,总参数 52.4 亿,以 bfloat16 格式存储后权重约占 10.5 GB GPU 显存。模型将 Gemma 3 4B 语言模型与时间序列编码器及交叉注意力层结合,可对数值测量信号与文本上下文(如维护记录、市场新闻)进行联合推理,输出自然语言解释。单条输入最多支持 32,768 个时间序列值。部署需使用至少 24 GB 显存且支持 bfloat16 的 GPU。用户可通过 SageMaker Studio 的 JumpStart 界面搜索 OpenTSLM 直接部署,也可使用 TimeNet 加载自定义数据集并通过 SageMaker 训练作业进行微调,产物存于 Amazon S3 后部署至实时推理端点。
背景:时间序列数据(如 CPU、内存、磁盘、网络流量等 IT 遥测)传统上依赖独立模型或规则引擎处理。OpenTSLM 的研究论文在 ECG 问答、睡眠分期和人体活动识别等医疗与可穿戴数据场景完成了初步评估,此次 JumpStart 版本将学术原型转化为可通过 AWS 控制台直接调用的工业级服务。
影响:Nexthink 已将时间序列语言模型集成进其 IT 代理 Spark,结合设备遥测、配置信息与软件版本数据,在员工主动求助前即可识别异常并给出建议操作。Aionic Labs 也在基于 OpenTSLM 构建类似能力。企业用户无需自建 Serving 和训练栈,即可通过 SageMaker 的预构建推理容器、自动扩缩容端点、CloudWatch 监控以及 VPC 和 IAM 安全控制完成微调与部署。
总结:OpenTSLM 登陆 SageMaker JumpStart 标志着时间序列 AI 从研究走向工业落地。52.4 亿参数的模型在单卡 24 GB 显存条件下即可运行,配合 AWS 的自动扩缩容、CloudWatch 监控与 VPC 安全控制,降低了运营团队使用时序语言模型的门槛。随着 Nexthink 等合作伙伴的落地案例出现,该模型有望在 IT 运维、工业监控和基础设施可观测性领域复制快速部署模式。
参考来源:
AWS 官方博客
https://aws.amazon.com/cn/blogs/machine-learning/reason-over-time-series-data-with-opentslm-on-amazon-sagemaker-jumpstart/
Tech & Business 报道
https://techandbusiness.org/newswire/DH6cIIrYscqllfYjp5f0f0
CoFabrix 摘要
https://cofabrix.com/pulse/reason-over-time-series-data-with-opentslm-on-amazon-sagemaker-jumpstart-64dcca7ae932
OZZZER AI News
https://ozzzer.com/ai-news/story/257785/
ScopeAI 索引
https://scopeai.cc/stories/opentslm-%e6%97%b6%e5%ba%8f%e8%af%ad%e8%a8%80%e6%a8%a1%e5%9e%8b%e4%b8%8a%e7%ba%bf-amazon-sagemaker-jumpstart-mwl0jpxd
奇点 AI 索引(中文)
https://ai.qidiandaohang.com/news/13210567/







