NVIDIA annoncerer den åbne multivariate tidsseriemodel Kumo Forecast

NVIDIA annoncerede Kumo Forecast den 21. oktober 2026. Det er en åben model til multivariat tidsserieprognosticering, der kombinerer en fortrænet MOMENT-1-large-Transformer-backbone med mulighed for at hente historiske data og et modeluafhængigt fortolkningsframework. Modellen, der tidligere var kendt som NV-Tesseract Forecasting, er tilgængelig under Apache 2.0-licensen, og NVIDIA beskrev den nærmere i et officielt indlæg på Hugging Face-bloggen.

Indlægget er skrevet af NVIDIA-medarbejderne Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz og Viraj P Modak. Modellens kode distribueres via GitHub-arkivet NVIDIA/Kumo-TS, et open source-bibliotek til tidsserier, der også indeholder den diffusionsbaserede pakke Kumo-Anomaly. De fortrænede vægte distribueres via modelkortet for nvidia/Kumo-Forecast på Hugging Face. Kortet angiver 04/07/2026 som udgivelsesdato på Hugging Face, global implementering og et erklæret anvendelsesområde: virksomheder, organisationer og forskningscentre, der laver prognoser med lange eller korte horisonter ud fra tidsdata.

Fortrænet backbone og direkte prognosticering

Kumo Forecast bruger MOMENT-1-large-Transformer-encoderen som backbone med en grundencoder på cirka 340 millioner parametre samt et trænbart prognosehoved. Encoderens og indlejringsmodellens vægte forbliver frosne under træningen, mens kun prognosehovedet trænes. Dermed adskilles den fortrænede repræsentationsmodel fra det opgavespecifikke forudsigelseslag. Ved direkte prognosticering omsætter hovedet modellens repræsentationer til fremtidige værdier for den ønskede horisont. For horisonter, der overstiger modellens indbyggede kapacitet, understøtter biblioteket autoregressiv forlængelse, hvor prognoserne forlænges rekursivt.

Biblioteket har et API med DataFrame som udgangspunkt, konfigurerbare prognosehorisonter og mulighed for at hente historisk kontekst. Input skal være numeriske tidsdata bestående af en tidsstempelkolonne og en eller flere numeriske værdikolonner. Dataene skal leveres som en pandas-DataFrame eller i CSV- eller JSON-format, og understøttede inputsekvenslængder er 256, 512, 1024 og 2048 observationer. Outputtet er pandas-DataFrames med tidsstempler og forudsagte værdier for den angivne prognosehorisont.

DARR-hentning og fortolkelighed

Ud over direkte prognosticering omfatter Kumo Forecast Domain-Aware Representation and Retrieval (DARR), en kontekstforstærket tilstand, der supplerer prognoserne med hentning fra historiske data via de k nærmeste naboer. SDK’et modtager historikken via et separat argument, context_df, så modellens inputvindue, der leverer de seneste observationer, holdes adskilt fra hentningskonteksten, der leverer yderligere mønstre. Udviklere kan via bibliotekets konfigurationsmuligheder justere, hvor stor vægt den endelige prognose tillægger hver af de to veje. NVIDIA nævner som en begrænsning, at dimensionerne i hentningskonteksten skal ligne dimensionerne i inputkonteksten.

DARR-eksemplet i arkivet angiver en alfa på 0,2, hvilket i en kodekommentar beskrives som 20 procent direkte prognosticering og 80 procent kNN-hentning, samt en k-værdi på 64 og en temperatur på 0,05. NVIDIA henviser udviklere til artiklen Prognosticering med hukommelsesforstærkning: skalerbarhed og generalisering på tværs af tidsdomæner for flere oplysninger om denne tilstand. Arkivets referenceliste angiver, at artiklen indgår i proceedings fra 2025 IEEE International Conference on Big Data.

Fortolkningsframeworket er modeluafhængigt og kører uden at ændre den underliggende prognosemodel. Når det aktiveres, genererer det en forklaringspakke med attributioner for lag og egenskaber for hver prognosehorisont, diagnostik af semantisk flow, diagnostik af banestabilitet samt mulighed for Integrated Gradients for indlejringer. Hvis interpretability=True angives i SDK’et, gemmes pakken sammen med prognosen som JSON- og CSV-filer samt en PDF-rapport.

Frameworket bygger på fortrykket NVExplain: Forklaring af tidsserieprognosticering med analyse af latente baner og strukturbevarende surrogatmodeller af Muyan Anna Li, Manikandan Ravikiran og Aditi Gautam, som blev indsendt til arXiv den 25. august 2026. Artiklen modellerer prognosticering som en latent bane, introducerer semantisk flow til at kvantificere, hvordan information udvikler sig over tid i en models interne repræsentationer, samler dette flow i en matrix over attributioner for lag og horisont og anvender strukturbevarende perturbationer sammen med sparsomme lokale surrogatmodeller til at skabe forklaringer, der er forståelige for mennesker. Forfatterne rapporterer, at varianten med semantisk flow opnår en forklaringstrofasthed, der er på niveau med eller bedre end standardbaselines for efterfølgende forklaring, samtidig med at den er betydeligt mere beregningseffektiv. De rapporterer også, at deres stabilitetsanalyse identificerer områder, hvor fortolkning bør anvendes med forsigtighed.

Træningsdata, krav til kørsel og integrationer

Ifølge modelkortet blev træningen udført på 3 millioner datapunkter med en 80/20-opdeling for hvert datasæt, begyndende med Monash Time Series Forecasting Archive, der beskrives som en mangfoldig samling af 30 primære datasæt, herunder varianter med manglende værdier. De evalueringsdatasæt, der er anført i kortet, omfatter ECL, data om elforbrug fra 370 kunder, registreret hvert 15. minut fra 2011 til 2014; Traffic, belægningsgrader på veje målt af sensorer på motorveje i San Francisco Bay-området; ETTh, olietemperatur i elektriske transformere og seks effektbelastningsvariabler indsamlet hver time over to år; og ILI, ugentlige data fra det amerikanske Centers for Disease Control, der beskriver forholdet mellem patienter med influenzalignende sygdom og det samlede antal patienter. Kortet henviser også til artiklerne om fejl ved tidslig afhængighed MOMENT, TimeRAF og Beyond MAE.

Kumo-Forecast kører på PyTorch med understøttelse af NVIDIA Ampere- og Hopper-mikroarkitekturer på Linux, og modelkortet oplyser, at inferens blev testet på A100- og H100-systemer med otte GPU’er hver. I repositoriet angives Python 3.10 eller nyere med PyTorch 2.7 eller nyere, pandas og numpy til Kumo-Forecast; det anbefaler en GPU med automatisk tilbagefald til CPU og downloader automatisk prætrænede vægte fra Hugging Face. Modelkortet fastslår, at modellerne er designet og optimeret til NVIDIA-systemer med GPU-acceleration, og at integration i AI-systemer kræver yderligere test tilpasset det konkrete anvendelsesområde efter V-modelmetoden.

Til evaluering af specifikke anvendelser anbefaler NVIDIA, at man sammenligner konfigurationerne med direkte adgang og med forbedret søgning på de samme tilbageholdte prognoseperioder og validerer prognosernes kvalitet på tværs af de tilsigtede tidshorisonter og driftsforhold. Kumo-TS-repositoriet indeholder desuden et eksempel på finjustering af Kumo-Forecast med en CSV-fil leveret af brugeren, så udviklere får både et inferensforløb med en prætrænet model og et dokumenteret udgangspunkt for at tilpasse modellen til deres egne data. På implementeringssiden omfatter Factory Operations Blueprint tidlig adgang til et modul til prædiktivt vedligehold, der bruger Kumo Anomaly og Kumo Forecast til at analysere data i realtid og forudsige fremtidige anomalier; i NVIDIAs opslag er der også et link til en session på GTC San Jose 2026 om platformintegration.