本文介绍的研究论文题为《面向微服务系统的基于大语言模型的自回归多模态异常检测》（Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems），由Yixiang Tang等共5位作者完成，于2026年10月22日提交至arXiv，论文编号为arXiv:2610.31722v1，属于机器学习（cs.LG）分类，同时涉及人工智能（cs.AI）与软件工程（cs.SE）两个交叉领域。论文全文共14页，包含8幅图和7张表，提交时的文件大小为1,327 KB，DOI由DataCite发放（注册尚待完成）。
研究背景方面，微服务架构已成为大规模云应用的主流选择，它支持快速部署与弹性伸缩，使开发团队能够独立迭代各个服务。然而，这种架构的可靠性保障并不容易：一旦某个服务出现故障或性能异常，问题会沿着服务调用链迅速扩散，对端到端的系统行为造成严重影响。因此，有效的异常检测是维持微服务系统可用性的关键环节，也是运维监控体系的核心能力。
作者指出，现有的微服务多模态异常检测方法普遍存在两个根本性局限。第一，这些方法往往过度偏向跨模态融合，把不同来源的数据简单合并处理，却忽视了每一种模态自身独有的特征，导致模态特有信息在融合过程中被削弱。第二，特征重构过程中存在所谓的“身份捷径”（identity-shortcut）问题，即模型倾向于直接复制当前输入来完成重构，而不是真正学习数据的内在规律，这使得检测器对异常信号的敏感度下降。
针对上述问题，研究团队提出了LLMMAD框架，这是一种基于大语言模型的自回归多模态异常检测方案。为兼顾跨模态融合与模态特有信息的保留，LLMMAD首先将多模态数据嵌入并重新组合成一个统一序列，交由大语言模型处理，从而建模模态之间的关系；与此同时，它采用按模态划分的重构头（modality-wise reconstruction heads），专门保留每种模态自身的特征信息。
为消除身份捷径，LLMMAD引入了预测驱动的自回归目标：模型不再复制当前输入，而是预测未来的系统状态。这一设计迫使模型学习时序演化规律，而非依赖输入与输出之间的恒等映射，从而提升异常检测的判别能力。
在实验部分，作者在三个真实世界数据集上进行了广泛评估。结果显示，LLMMAD 一致优于现有最先进方法，F1分数分别提升3.1%、1.4%和0.9%，为微服务监控提供了一种更可靠的解决方案。论文还提供了PDF、实验性HTML版本以及TeX源码等全文链接，并附有音频摘要。