최근 시각-언어 모델 (Vision-Language Models (VLMs))의 발전은 많은 작업에서 인상적인 성능을 달고 성취하였으나, 기존 연구들은 시퀀스 데이터 (sequential data)에서 비정상 패턴을 찾는 데 대규모 언어 모델 (Large Language Models (LLMs))이나 멀티모달 모델 (multimodal models)을 적용할 때 만족스럽지 못한 성능을 보고하고 있습니다. 공개된 이상 탐지 (anomaly detection) 벤치마크들은 일반적으로 구간 주석 (interval annotations)은 제공하지만 자연어 근거 (natural-language rationales)는 제공하지 않으며, 이로 인해 근거가 있고 해석 가능한 결정을 내리도록 VLM을 미세 조정 (fine-tune)하는 것이 어렵습니다. 이러한 격차를 해소하기 위해, 우리는 공개 시계열 데이터셋으로부터 구축되고, 세밀한 작업별 보상 (task-specific rewards)을 사용하여 여러 대규모 VLM으로부터 선택된 고품질의 이상 설명 (anomaly explanations)으로 증강된 큐레이션된 벤치마크인 VisAnomBench를 구축합니다. 이 벤치마크를 통한 미세 조정을 통해, 우리는 시계열 이상 탐지를 위한 매개변수 효율적인 (parameter-efficient) VLM인 VisAnomReasoner를 개발합니다. VisAnomBench에서의 실험 결과, VisAnomReasoner는 더 정확한 이상 위치 파악 (anomaly localization)을 달성하며 모든 베이스라인 (baselines)을 일관되게 능가하였고, 정밀도 (precision)와 F1 점수에서 각각 최소 21.23 및 23.87 퍼센트 포인트의 향상을 보였습니다. TSB-AD-U 벤치마크에 대한 추가 실험은 강력한 교차 벤치마크 일반화 (cross-benchmark generalization) 능력을 입증하며, VisAnomReasoner는 정밀도와 F1을 각각 9.57 및 13.39 퍼센트 포인트 향상시켰습니다.