Non basta insegnare a un LLM a descrivere una serie temporale: etichette, didascalie e coppie domanda-risposta producono rappresentazioni linguistiche, ma non obbligano il modello a ricordare come evolve il segnale. Lotus parte da questo limite e introduce un principio di pretraining diverso: prima di adattare le rappresentazioni ai task finali, il modello deve prevedere l'evoluzione futura della serie. I ricercatori lo chiamano forecast grounding.

In pratica, Lotus divide ogni canale temporale in patch non sovrapposte e le proietta nello spazio di embedding dell'LLM. Poi chiede al modello di predire la patch successiva a partire dagli stati nascosti dei token temporali. Il vincolo non è decorativo: costringe la rappresentazione a trattenere la struttura temporale, non solo il contenuto semantico. Per catturare sia i cambiamenti sia i pattern periodici, ogni patch grezza viene combinata con la sua rappresentazione spettrale prima della proiezione nell'embedding space.

I numeri raccontano una parte della storia. Su tre backbone LLM e sei dataset di valutazione downstream, Lotus raggiunge il 59,91% di accuratezza media, con un vantaggio di 3,36 punti sul baseline più forte e un numero minimo di parametri addestrabili. L'analisi delle rappresentazioni mostra che il modello usa davvero l'input numerico e mantiene la struttura temporale nelle patch apprese. Su TSRBench, modelli compatti addestrati con questo principio superano controparti da 25 a 50 volte più grandi.

Il punto non è solo un benchmark migliore. Una buona rappresentazione temporale può ridurre la taglia necessaria del modello. Oggi la scelta di un LLM per serie temporali on-premise è spesso condizionata dalla memoria video e dai costi di inference: modelli grandi richiedono acceleratori costosi o il ricorso al cloud. Se un principio di pretraining consente a modelli compatti di conservare la dinamica temporale, cambiano i pesi della decisione. Il costo di addestramento e di serving scende, e con esso la soglia per tenere i dati in casa. Per chi gestisce telemetria industriale, sensori IoT o serie finanziarie, la possibilità di usare modelli più piccoli senza perdere accuratezza relativa sposta l'equilibrio tra controllo locale e delega a provider esterni.

C'è un secondo effetto sull'offerta di modelli. Finora la corsa ai parametri ha premiato chi dispone di cluster centralizzati. Un principio di pretraining che dimostra vantaggi con parametri minimi rende più interessante la competizione sull'efficienza delle rappresentazioni, non solo sulla scala. Questo non elimina i modelli grandi, ma rende meno scontato che il progresso passi sempre da lì.

Strutturalmente, il segnale è che il problema dell'allineamento temporale non si risolve aggiungendo etichette o invocando modelli più grandi: serve un obiettivo di pretraining compatibile con la natura sequenziale dei dati. Chi progetta pipeline di fine-tuning per serie temporali dovrebbe ragionare su questo vincolo di predizione, non solo sulla qualità delle caption. Per chi valuta deployment on-premise, AI-RADAR offre framework analitici su /llm-onpremise per esaminare il trade-off tra ingombro del modello e controllo dei dati.