本文介紹的研究論文題為《面向微服務系統的基於大語言模型的自迴歸多模態異常檢測》（Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems），由Yixiang Tang等共5位作者完成，於2026年10月22日提交至arXiv，論文編號為arXiv:2610.31722v1，屬於機器學習（cs.LG）分類，同時涉及人工智能（cs.AI）與軟件工程（cs.SE）兩個交叉領域。論文全文共14頁，包含8幅圖和7張表，提交時的文件大小為1,327 KB，DOI由DataCite發放（註冊尚待完成）。
研究背景方面，微服務架構已成為大規模雲應用的主流選擇，它支持快速部署與彈性伸縮，使開發團隊能夠獨立迭代各個服務。然而，這種架構的可靠性保障並不容易：一旦某個服務出現故障或性能異常，問題會沿着服務調用鏈迅速擴散，對端到端的系統行為造成嚴重影響。因此，有效的異常檢測是維持微服務系統可用性的關鍵環節，也是運維監控體系的核心能力。
作者指出，現有的微服務多模態異常檢測方法普遍存在兩個根本性侷限。第一，這些方法往往過度偏向跨模態融合，把不同來源的數據簡單合併處理，卻忽視了每一種模態自身獨有的特徵，導致模態特有信息在融合過程中被削弱。第二，特徵重構過程中存在所謂的“身份捷徑”（identity-shortcut）問題，即模型傾向於直接複製當前輸入來完成重構，而不是真正學習數據的內在規律，這使得檢測器對異常信號的敏感度下降。
針對上述問題，研究團隊提出了LLMMAD框架，這是一種基於大語言模型的自迴歸多模態異常檢測方案。為兼顧跨模態融合與模態特有信息的保留，LLMMAD首先將多模態數據嵌入並重新組合成一個統一序列，交由大語言模型處理，從而建模模態之間的關係；與此同時，它採用按模態劃分的重構頭（modality-wise reconstruction heads），專門保留每種模態自身的特徵信息。
為消除身份捷徑，LLMMAD引入了預測驅動的自迴歸目標：模型不再複製當前輸入，而是預測未來的系統狀態。這一設計迫使模型學習時序演化規律，而非依賴輸入與輸出之間的恆等映射，從而提升異常檢測的判別能力。
在實驗部分，作者在三個真實世界數據集上進行了廣泛評估。結果顯示，LLMMAD 一致優於現有最先進方法，F1分數分別提升3.1%、1.4%和0.9%，為微服務監控提供了一種更可靠的解決方案。論文還提供了PDF、實驗性HTML版本以及TeX源碼等全文鏈接，並附有音頻摘要。