时间序列基础模型（TSFM）在物理科学领域的落地正面临一个关键矛盾：这类模型虽然编码了丰富而普适的时间动态规律，但若以零样本方式直接应用于特定科学领域，会出现严重的分布错配；与此同时，其高昂的计算成本也使其难以部署在边缘计算的传感器网络中。针对这一矛盾，Rupasree Dey 等六位作者在 2026 年 6 月 10 日提交至 arXiv 的论文《When to Trust, How to Distill: Multi-Foundation Model Guidance for Lightweight, Robust Scientific Time Series Forecasting》提出了一个根本性问题：如何从已经错配的基础模型中提取潜在的结构性知识，用来训练轻量化的专用预测器？该论文已被 KDD 2026 接收，归入“AI for Science”方向，全文含参考文献与附录共 12 页。
作者提出的解决方案名为 Guard，即“门控不确定性感知路由蒸馏”（Gated Uncertainty-Aware Routing for Distillation）。其核心思路是把多教师蒸馏重新表述为一个逐实例的决策过程，并引入两套自适应机制。第一套是上下文路由器（Contextual Router），它依据局部输入统计特征，动态挑选当下最相关的教师模型，从而充分利用多个异构基础模型之间的互补性，而不是对所有教师采用固定权重。第二套是不确定性门控温度机制（Uncertainty-Gated Temperature），它扮演“断路器”的角色：当教师模型的置信度与领域实际情况出现偏离时，该机制会自动削弱蒸馏强度，避免把不可靠的教师信号强行传递给学生模型。
在实验层面，研究团队在四个与气候密切相关的领域上评估了这一轻量框架，分别是气象学、生态系统碳通量、土壤湿度和能源电网。结果显示，相较于固定权重的多教师蒸馏基线，Guard 显著降低了 RMSE，并且即便预训练基础模型（作为教师）因原始数据域与目标数据域之间的分布偏移而表现出欠佳的零样本精度，该方法依然能够成功从中蒸馏出知识。一个尤其值得注意的发现是，这些“领域错配”的教师模型仍能充当关键的纠正者：在最困难的实例中，有 28.5% 的情况下它们的表现优于全局更优的基础模型。这说明“信任哪一个教师”本身应当随实例动态变化，而非依赖单一全局最优判断。
从应用意义看，这项工作为资源受限的边缘部署提供了高精度的科学预测路径，使轻量模型能够在传感器网络等算力有限的环境中承担原本需要大型基础模型才能完成的任务。论文代码已在 GitHub 上公开，仓库地址为 https://github.com/RupasreeDey/GUARD-KDD2026。该论文的 arXiv 编号为 2606.19363，属于 cs.LG 分类，DOI 为 10.48550/arXiv.2606.19363，并关联 KDD 会议 DOI 10.1145/3770855.3819018。投稿信息显示，版本 v1 于 2026 年 6 月 10 日 05:32:49 UTC 提交，全文约 4,580 KB。整体而言，该研究给出的启示是：面对分布错配的基础模型，与其全盘否定，不如通过实例级路由与不确定性门控，把它们的部分知识安全地迁移到轻量专用模型中。