TimeThink to nowy syntetyczny framework do nauczania multimodalnych modeli języka (TS-MLLMs) bardziej zaawansowanego rozumowania danych czasowych. Dotychczasowe podejścia, zarówno tradycyjne jak i oparte na uczeniu wzmacniającym, miały problemy z wyjaśnianiem swoich decyzji i nie radziły sobie z pytaniami od razu spoza zakresu danych treningowych. Autorzy skupiają się na zrozumieniu, że podstawowe elementy szeregów czasowych - takie jak trend czy sezonowość - można algorytmicznie generować, tworząc nieograniczoną bazę syntetycznych przykładów z prawdziwym wyjaśnieniem rozumowania.
Framework operuje na dwóch poziomach. Najpierw generator syntetycznych danych tworzy atomowe i złożone pary pytań-odpowiedzi z kompletnymi śladami rozumowania, działając jak idealne źródło wiedzy do treningu. Następnie TimeThink stosuje uczenie wzmacniające z weryfikowalnymi nagrodami (RLVR), gdzie model uczy się faktycznej logiki składania informacji zamiast tylko naśladowania gotowych szablonów. To fundamentalnie inne podejście niż metody zależne od szablonów czy imitacyjne.
Wyniki eksperymentów pokazują, że model trenowany wyłącznie na danych syntetycznych znacznie przewyższa silne modele bazowe. Jest to szczególnie ważne dla aplikacji takich jak diagnostyka medyczna, gdzie modele nie mogą po prostu dawać odpowiedzi - muszą dostarczać wiarygodne wyjaśnienia dla lekarzy i pacjentów. Podejście TimeThink rozwiązuje problem braku zdolności do ekstrapolacji na nowe sytuacje, który plaguje modele trenowane na ograniczonych zbiorach rzeczywistych danych.