IBM slipper tidsserie-modell som topper GIFT-Eval blant åpne lisenser

IBM har publisert Granite Time Series PatchTST-FM-r2, siste modell i Granite TSFM-familien, skriver IBM Research i et innlegg på Hugging Face. Per 8. september 2026 rangerer den nummer to på både CRPS og MASE blant modeller på GIFT-Eval-listen som er zero-shot, reproduserbare og evaluert uten lekkasje fra testsettet, bak TimesFM-3. Blant modellene med tillatende, kommersielt brukbar lisens er den nummer én.

Poenget for deg som bygger er zero-shot-delen. En tidsserie-grunnmodell fjerner behovet for å trene og vedlikeholde en egen modell per datasett: du peker den mot dine egne målinger og får prognoser uten trening. Bruksområdene IBM oppgir er etterspørsel, priser, energilast, trafikk og telemetri. Modellen tar kontekst på opptil 8 192 steg og gir både punktprognoser og 99 kvantiler, altså usikkerhetsintervaller og ikke bare én kurve.

Arkitekturen er endret fra forgjengeren PatchTST-FM-r1. Transformer-lagene er byttet ut med conformer-blokker, som legger en temporal konvolusjon inn ved siden av multi-head self-attention. Konvolusjonen tar de korte sammenhengene, slik at attention kan konsentrere seg om de lange. IBM har også gått fra 20 til 30 blokker, innført 50 prosent overlappende patcher med Hamming-vekting, og bruker overlap-and-add for å glatte overgangene mellom patcher.

Treningskorpuset er dokumentert, som er sjeldnere enn det burde være. Det består av utvalgte datasett fra GiftEvalPretrain, syntetiske data basert på KernelSynth med modifiserte periodiske kjerner, et TSMixup-korpus laget etter Chronos-metoden men begrenset til datasett utenfor GIFT-Evals evalueringssett, og rundt 500 000 syntetiske CauKer-sekvenser på 4 096 steg hver. Vekter, arkitektur, inferens-pipeline og koden som reproduserer benchmark-tallene er alle lagt ut.

Hva bør du gjøre?

1. Kjør pip install "granite-tsfm>=0.3.9" og last ibm-granite/granite-timeseries-patchtst-fm-r2 med PatchTSTFMForPrediction.from_pretrained, så har du en prognose på dine egne data uten trening.
2. Velg lisens bevisst. Modellen er dobbeltlisensiert under Apache 2.0 og OpenMDW 1.0, og du kan bruke hvilken som helst av dem.