0.875
PhysioNet AUC
模型 · 研究预览
时间是输入，
而非假设。
面向不规则信号的连续时间模型——体积小、速度快、时间感知强。
≈5×
更小
8.2×
更快的核心
类别
连续时间模型 · 第一代
读取
不规则、带时间戳的信号
最适用于
临床、传感器、流式处理与边缘计算
阶段
研究预览 · 门控验证完成
RL-L1 是什么
将时间作为一等输入的模型
大多数序列模型假定每个时间步对应一个固定时刻。而现实世界的信号——生命体征、传感器读数、市场事件、遥测数据——并不按时钟到达。RL-L1 是一个连续时间模型：时序信息是输入的组成部分，而非事后附加，因此模型能够正确处理不规则间隔、缺失样本与实时流。其实现方式是我们自研的——本页所展示的是模型行为与实测数据。
为何与众不同
三项结构性选择
RL-L1 既不是 Transformer，也不是点 ODE 网络。它做出三个深思熟虑的设计决策，在真实不规则数据上取得了显著成效。
L1
时间内嵌于数学
模型在连续时间中演化，因此两次观测之间的间隔会改变计算过程。屏蔽时序信息后精度骤降——这证明时序信号在发挥实质作用。
L2
小而稳定
紧凑且行为良好的状态空间在极小的参数量下取得了优异成绩，动态特性有界且可预测。内部实现是我们自研的；稳定性是实测的。
L3
为边缘计算而生
专为在真实硬件上快速、轻量地运行而设计，并与我们的耗散芯片系列协同设计，使模型与基底收敛于同一套物理原理。
实测为证，而非断言
完整数据，包括我们的劣势所在
RL-L1 wins on irregular, small-to-medium-scale signals and on the edge. It does not win at frontier scale or at language — the table says so on purpose.
基准测试 RL-L1 基线 备注
PhysioNet 2012 院内死亡率 0.875 AUC 0.874 (GRU-D) 18 个随机种子集成 · 置信区间 [0.868, 0.883]
时序联想召回 0.004 MSE 0.68 MSE 对比点 ODE；时间盲化后为 9.61
Mackey-Glass（≤50k 参数） 0.052 MSE 0.094 MSE 小模型规模下优于基线 1.2–1.8 倍
Mackey-Glass（≥214k 参数） 0.087 MSE 0.046 MSE 大规模下 Transformer 胜出
边缘端占用（int8） 24 KB · 0.40 ms 65 KB · 0.44 ms 速度更快，体积缩小 2.7 倍
PhysioNet 2012 · set-a → held-out set-b · leakage-safe · multi-seed
优势所在
- 不规则与流式时间序列——时序信息承载关键信号。
- 能耗与内存受限的边缘端推理。
- 无需完整重训练的在线自适应。
劣势所在
- 前沿规模的语言建模——Transformer 胜出，我们如实声明。
- 效率优势逐渐消退的大参数规模场景。
实测数据
更小，且具备时间感知能力
0.875
PhysioNet 2012 上的 AUC 值
基于不规则 ICU 生命体征的院内死亡率预测——18 个随机种子集成，95% 置信区间 [0.868, 0.883]。
≈ 5×
相较基线的参数量减少倍数
以基线 Transformer 参数量的一小部分达到相当的临床预测性能。
8.2×
运行时核心加速比
并行场求值相较参考循环（0.23 ms 对比 1.90 ms），数值结果完全一致。
进展状态
经门控验证的参考实现
- 门控
十项可证伪门控全部通过
连续时间优势、稳定性、绑定能力、终身留存与基底协同设计，每项均设有通过/失败测试。测试均已通过——在模型应当失败之处，也如实记录失败。
- 临床
在真实 ICU 数据上完成验证
基于 PhysioNet 2012 院内死亡率数据集进行基准测试——采用真实不规则生命体征数据，并严格划分无泄露的训练/测试集。
- 当前
研究预览阶段
参考实现已在 Apple Silicon 上完成生产级测试。我们正向选定的研究合作伙伴开放接入。
RL-L1 的适用场景
为带时钟的信号而生
不规则生命体征监测
ICU 数据流、可穿戴设备与临床时间序列——样本稀疏、间隔不均，时序信息本身即是信号。
端侧部署与流式处理
极小的存储占用与快速推理使 RL-L1 适合无法承载大型模型的传感器与嵌入式系统。
诚实的连续时间评估基准
为研究连续时间模型在哪些场景真正优于 Transformer——以及在哪些场景不优于——提供参考基准。
“在时序至关重要的场景，它胜出。在时序无关紧要的场景，我们如实声明。”
— RL-L1 设计说明
