时间序列预测在交通、能源、金融、医疗和基础设施等领域的决策中扮演日益重要的角色，但现有的评估方式仍然过于狭窄。常规基准只关注持出误差的降低，而鲁棒性研究往往把失效简化为高斯噪声、随机遮蔽或有界对抗扰动。这种做法掩盖了真实部署环境中的失效模式。输入侧异常不仅仅是噪声，它们常常表现为结构化事件，导致时间动态改变、跨变量依赖破裂、出现制度切换，甚至从故障传感器向下游决策传播。这些语义、因果和系统层面的失效无法用独立同分布的扰动来完整描述。随着时间序列预测基础模型的兴起，评估缺口更加紧迫，因为不可审计的预训练语料使得持出泛化变得不可靠。因此我们主张进行情景化压力测试。每个测试实例应同时提供历史输入、未来目标、语义情景、明确的失效操作以及可度量的难度等级。此举使评估更具可解释性、可归因性和部署相关性，帮助社区不仅问哪个模型更准确，还要了解它在何种条件下会失效以及原因。
点评