IBM uvádí model Granite PatchTST‑FM‑R2 pro zero‑shot časové řady

IBM vydala model Granite Time Series PatchTST-FM-r2 dne 9. září 2026, přibližně 385‑milionový parametrický model pro předpovídání časových řad v režimu zero‑shot, dvojí licencí pod Apache 2.0 a OpenMDW 1.0 Linux Foundation. Váhy modelu, architektura, inference pipeline a kód potřebný k reprodukci benchmarkových výsledků byly spolu s vydáním zveřejněny otevřeně.

IBM oznámila model v blogovém příspěvku na Hugging Face od autorů z IBM Research, představujícím jej jako nástupce PatchTST-FM-r1 a nejnovější model v rodině základních modelů časových řad Granite. Podle oznámení PatchTST-FM-r2 kombinuje aktualizovanou architekturu, větší korpus pro předtrénování, pravděpodobnostní předpovědi a podporu imputace chybějících hodnot a generuje předpovědi na nových datech bez dolaďování či úpravy pro konkrétní úlohu.

Uvedené pořadí v GIFT‑Eval

GIFT‑Eval je komplexní benchmark pro hodnocení modelů předpovídání napříč různými datovými sadami a scénáři a nižší hodnoty jsou lepší jak pro CRPS, tak pro MASE, dvě metriky, které IBM uvádí. IBM uvedla, že k 8. září 2026 je PatchTST-FM-r2 na druhém místě mezi replikovatelnými zero‑shot modely pro obě metriky a je nejvýkonnějším modelem v této kategorii mezi modely vydanými pod permisivními, obchodně přívětivými licencemi. V oznámení je uveden geometrický průměr CRPS 0,467, těsně za modelem TimesFM‑3, a geometrický průměr MASE 0,6846.

Některé modely v GIFT‑Eval jsou zařazeny jako předtrénované spíše než čistě zero‑shot, což znamená, že mohou zahrnovat tréninkové části evaluačních datových sad benchmarku ve svých předtrénovacích korpusech. IBM uvedla, že i když jsou tyto modely do srovnání zahrnuty, PatchTST-FM-r2 se umisťuje na třetím místě v CRPS a čtvrtém místě v MASE mezi replikovatelnými modely, před předtrénovanými Chronos‑2, Timer‑S1 a variantami Toto, z nichž některé jsou výrazně větší.

Modelová karta, kterou vytvořili Jiří Navrátil, Wesley M. Gifford, Yunshi Wen, Chandra K. Reddy a Agung Julius, uvádí druhé místo replikovatelného zero‑shot modelu k 31. srpnu 2026 a poznamenává, že výsledky modelu jsou součástí čekajícího pull requestu zaslaného do benchmarku GIFT‑Eval; oznámení uvádí stejné postavení k 8. září 2026.

Architektura Conformer

PatchTST-FM-r2 zachovává patch‑založenou reprezentaci svého předchůdce, ale nahrazuje standardní transformerové bloky bloky conformer, designem, který vznikl v oblasti zpracování řeči. Každý blok obsahuje dvě půlkrokové feed‑forward vrstvy obklopující multi‑head self‑attention a vrstvu temporální konvoluce, s alternujícími velikostmi konvolučních jader 3 a 5 v opakujícím se vzoru {5, 5, 3, 3}. IBM uvedla, že konvoluční komponenta zachycuje krátkodobou temporální strukturu, což umožňuje attention mechanismu soustředit se na dlouhodobé vztahy mezi patchemi.

Model používá 50 % překrývající se patche – délka patche 16, krok 8 – s vážením Hammingovým oknem během trénování a metodou overlap‑and‑add při inferenci, plus před‑hlavní layer norm pro stabilitu trénování. Má skrytou dimenzi 1024 a 30 bloků, oproti 20 v r1, podporuje kontextové délky až 8 192 kroků a předpovídá 99 kvantilů pro flexibilní délky předpovědí, čímž generuje jak bodové předpovědi, tak intervaly nejistoty. Implementace je dostupná v open‑source repozitáři granite‑tsfm a zůstává zpětně kompatibilní s kontrolními body PatchTST‑FM‑r1.

Tréninková data a licencování

Dokumentovaný korpus pro předtrénování má čtyři zdroje: vybrané datové sady z GiftEvalPretrain; vlastní syntetická data založená na KernelSynth s upravenými periodickými jádry a omezenou augmentací; korpus TSMixup vytvořený pomocí přístupu popsaného v článku Chronos, ale omezený na datové sady mimo evaluační sadu GIFT‑Eval; a přibližně 500 000 syntetických sekvencí CauKer, každá o délce 4 096. Modelová karta uvádí, že dataset CauKer byl vytvořen týmem IBM FlowState, a odkazuje na arXivový článek z roku 2026 „Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models“ jako na základní přístup.

Uživatelé si mohou vybrat buď licenci Apache 2.0, nebo OpenMDW 1.0, licenční rámec Linux Foundation určený pro AI modely a související materiály. IBM uvedla, že obě licence poskytují široká, permisivní práva k používání, úpravě a distribuci modelu a že cílí na snížení překážek při adopci. V odhalení na modelové kartě je uvedeno, že vývojáři IBM vytvořili kód jako open‑source projekt, nikoli jako produkt IBM, a že IBM není povinna poskytovat vylepšení, aktualizace ani podporu.

Dostupnost a kontext rodiny Granite

Váhy lze stáhnout z Hugging Face Hub a načíst pomocí balíčku granite‑tsfm, verze 0.3.9 nebo novější, prostřednictvím pipeline API. Ukázkový kód IBM generuje předpověď, včetně požadovaných kvantilů, z posledních 512 vzorků řady ETTh1 a IBM model umisťuje pro předpovědi poptávky, cen, energetických zátěží, provozu, telemetrie a dalších pravidelně vzorkovaných časových řad.

Pro nasazení na streamování IBM a Confluent zpřístupnily několik modelů Granite Time Series (PatchTST‑FM‑r1, FlowState‑r1.1, TTM‑r3 a TSPulse) prostřednictvím programu Early Access v Confluent Cloud, který provádí inferenci základních modelů na živých streamech pomocí Apache Flink.

Přehled IBM Research o rodině dokumentuje genealogii předchozích verzí: TST v roce 2021, jeden z prvních transformerových modelů aplikovaných na časové řady; PatchTST v roce 2023, který zavedl patchování a nezávislost kanálů; Tiny Time Mixer v roce 2024; a FlowState v roce 2025. Podle tohoto přehledu byly modely společně trénovány na více než 100 miliardách datových bodů a modely TTM překročily 37 milionů stažení na Hugging Face. PatchTST‑FM‑r1, přímý předchůdce nového modelu, byl spoluvyvíjen s Rensselaer Polytechnic Institute a modely výzkumné verze IBM mají nekomerční licenci, zatímco řada Granite je publikována pod licencí Apache 2.0.