diff --git a/docs/zh/06-advanced/06-TDgpt/02-tutorial.md b/docs/zh/06-advanced/06-TDgpt/02-tutorial.md
index f8a6fe535a..12799a701c 100644
--- a/docs/zh/06-advanced/06-TDgpt/02-tutorial.md
+++ b/docs/zh/06-advanced/06-TDgpt/02-tutorial.md
@@ -6,9 +6,7 @@ sidebar_label: "安装部署"
 import PkgListV3 from "/components/PkgListV3";
 
 
-## 使用 TDgpt Docker 镜像
-
-本节介绍如何通过 Docker 快速使用 TDgpt，包含标准版和完整版镜像的使用说明。
+本节首先介绍如何通过 Docker 快速使用 TDgpt。
 
 ### 镜像版本说明
 
@@ -133,6 +131,8 @@ sudo apt install build-essential
 
    <PkgListV3 type={9}/>
 
+   TDgpt 的安装包中包含两个时序模型，分别是涛思时序基础模型（TDtsfm v1.0）和 Time-MoE 时序基础模型。两个基础时序模型启动时候需要一定规模的内存空间，请确保运行系统中有至少有 16GiB 可用内存空间。
+  
 2. 进入到安装包所在目录，使用 tar 解压安装包；
 > 请将 `<version>` 替换为下载的安装包版本
 
@@ -158,6 +158,7 @@ cd TDengine-TDgpt-<version>
 该虚拟环境不会被卸载脚本 `rmtaosanode` 删除，当您确认不再需要该虚拟环境的时候，需要手动删除该虚拟环境。
 后续如果您需要开发自己的算法模型，并能够 TDgpt 正确调用，需要将新的依赖库通过虚拟环境的 Pip 正确地安装。
 
+
 ### 卸载
 卸载 TDgpt，执行 `rmtaosanode` 即可。 
 > 安装过程中自动安装的虚拟环境不会被自动删除，用户确认不再需要的时候，需要手动删除该虚拟环境。
diff --git a/docs/zh/06-advanced/06-TDgpt/03-management.md b/docs/zh/06-advanced/06-TDgpt/03-management.md
index f9998cfe26..8cc801f6d3 100644
--- a/docs/zh/06-advanced/06-TDgpt/03-management.md
+++ b/docs/zh/06-advanced/06-TDgpt/03-management.md
@@ -1,6 +1,6 @@
 ---
-title: "运维管理指南"
-sidebar_label: "运维管理指南"
+title: "Anode 管理"
+sidebar_label: "Anode 管理"
 ---
 
 import PkgListV3 from "/components/PkgListV3";
diff --git a/docs/zh/06-advanced/06-TDgpt/05-forecast/04-lstm.md b/docs/zh/06-advanced/06-TDgpt/05-forecast/04-lstm.md
index 28ae919de0..bd2780b7c5 100644
--- a/docs/zh/06-advanced/06-TDgpt/05-forecast/04-lstm.md
+++ b/docs/zh/06-advanced/06-TDgpt/05-forecast/04-lstm.md
@@ -1,31 +1,23 @@
 ---
-title: "LSTM"
-sidebar_label: "LSTM"
+title: "时序基础模型"
+sidebar_label: "时序基础模型"
 ---
 
-本节说明 LSTM 模型的使用方法。
+TDgpt 内置了涛思数据时序基础模型和 Time-MoE 两个时序基础模型。
 
 ## 功能概述
 
-LSTM 模型即长短期记忆网络(Long Short Term Memory)，是一种特殊的循环神经网络，适用于处理时间序列数据、自然语言处理等任务，通过其独特的门控机制，能够有效捕捉长期依赖关系，
-解决传统 RNN 的梯度消失问题，从而对序列数据进行准确预测，不过它不直接提供计算的置信区间范围结果。
+时序数据基础模型是专门训练，用以处理时间序列数据预测和异常检测、数据补齐等功能的基础模型，时序基础模型继承了大模型的优良泛化能力，无需要设置复杂的输入参数，即可根据输入数据进行预测分析。
 
+|序号|参数|说明
+|---|---|---|
+|1| tdtsfm_1 | 涛思时序数据基础模型 v1.0|
+|2| time-moe | 亿级别参数 MoE时序基础模型|
+
+调用时序基础模型，无需设置模型相关参数，使用如下的 SQL 语句即可调用涛思时序基础模型（tdtsfm）的预测能力：
 
-完整的调用 SQL 语句如下：
 ```SQL
-SELECT _frowts, FORECAST(i32, "algo=lstm,alpha=95,period=10,start_p=1,max_p=5,start_q=1,max_q=5") from foo
+SELECT _frowts, FORECAST(i32, "algo=tdtsfm_1,rows=10") from foo
 ```
 
-```json5
-{
-"rows": fc_rows,  // 返回结果的行数
-"period": period, // 返回结果的周期性，同输入
-"alpha": alpha,   // 返回结果的置信区间，同输入
-"algo": "lstm",   // 返回结果使用的算法
-"mse": mse,       // 拟合输入时间序列时候生成模型的最小均方误差(MSE)
-"res": res        // 列模式的结果
-}
-```
-
-### 参考文献
-- [1] Hochreiter S. Long Short-term Memory[J]. Neural Computation MIT-Press, 1997.
\ No newline at end of file
+如果希望调用Time-MoE的预测分析能力，将参数 `algo=tdtsfm_1` 修改为 `algo=timemoe-fc` 即可。
diff --git a/source/common/src/systable.c b/source/common/src/systable.c
index 12d5c0cf36..d4570ba1be 100644
--- a/source/common/src/systable.c
+++ b/source/common/src/systable.c
@@ -430,16 +430,16 @@ static const SSysDbTableSchema userTransactionDetailSchema[] = {
 
 static const SSysDbTableSchema anodesSchema[] = {
     {.name = "id", .bytes = 4, .type = TSDB_DATA_TYPE_INT, .sysInfo = false},
-    {.name = "url", .bytes = TSDB_ANALYTIC_ANODE_URL_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = false},
-    {.name = "status", .bytes = 10 + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = false},
-    {.name = "create_time", .bytes = 8, .type = TSDB_DATA_TYPE_TIMESTAMP, .sysInfo = false},
-    {.name = "update_time", .bytes = 8, .type = TSDB_DATA_TYPE_TIMESTAMP, .sysInfo = false},
+    {.name = "url", .bytes = TSDB_ANALYTIC_ANODE_URL_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = true},
+    {.name = "status", .bytes = 10 + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = true},
+    {.name = "create_time", .bytes = 8, .type = TSDB_DATA_TYPE_TIMESTAMP, .sysInfo = true},
+    {.name = "update_time", .bytes = 8, .type = TSDB_DATA_TYPE_TIMESTAMP, .sysInfo = true},
 };
 
 static const SSysDbTableSchema anodesFullSchema[] = {
     {.name = "id", .bytes = 4, .type = TSDB_DATA_TYPE_INT, .sysInfo = false},
-    {.name = "type", .bytes = TSDB_ANALYTIC_ALGO_TYPE_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = false},
-    {.name = "algo", .bytes = TSDB_ANALYTIC_ALGO_NAME_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = false},
+    {.name = "type", .bytes = TSDB_ANALYTIC_ALGO_TYPE_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = true},
+    {.name = "algo", .bytes = TSDB_ANALYTIC_ALGO_NAME_LEN + VARSTR_HEADER_SIZE, .type = TSDB_DATA_TYPE_VARCHAR, .sysInfo = true},
 };
 
 static const SSysDbTableSchema filesetsFullSchema[] = {
diff --git a/tools/tdgpt/taosanalytics/algo/ad/autoencoder.py b/tools/tdgpt/taosanalytics/algo/ad/autoencoder.py
index 89813656fc..8220a4c9ad 100644
--- a/tools/tdgpt/taosanalytics/algo/ad/autoencoder.py
+++ b/tools/tdgpt/taosanalytics/algo/ad/autoencoder.py
@@ -52,6 +52,9 @@ class _AutoEncoderDetectionService(AbstractAnomalyDetectionService):
 
         # normalize input data using z-score
         normalized_list = (df - self.mean.value) / self.std.value
+        if len(normalized_list) < self.time_interval:
+            raise ValueError("input data is too short")
+
         seq = create_sequences(normalized_list.values, self.time_interval)
 
         # Get test MAE loss.