本研究提出了一种名为DynaMix的混合专家架构，旨在解决动态系统重建中的零样本推断能力不足问题。该方法能够在无需再培训的情况下，根据上下文信号对新动态系统进行长期演化预测，展现出在动态系统预测领域的巨大潜力。

本文探讨了大型语言模型（LLMs）在时间序列预测中的应用，尤其在零样本推断方面表现优异。研究提出了一种创新框架 aLLM4TS，结合自监督学习和补丁解码层，显著提升时间序列表示的有效性，展示了LLMs在时间序列分析中的潜力和适应性。

本文综述大语言模型在时间序列预测中的应用：将数值序列转为文本令牌，利用GPT-4、LLaMA等进行零样本或少样本推断，性能可超越ARMA-GARCH和梯度提升树，并能处理缺失数据、融合新闻文本、解释预测。研究还分析了模型规模、分词方式与对齐干预对效果的影响，并探讨其能力边界与失效模式。