NVIDIA kündigt das offene multivariate Zeitreihenmodell Kumo Forecast an

NVIDIA kündigte am 21. Oktober 2026 Kumo Forecast an, ein offenes Modell zur multivariaten Zeitreihenprognose, das einen vortrainierten MOMENT-1-large-Transformer-Backbone mit optionalem Abruf historischer Daten und einem modellunabhängigen Interpretierbarkeits-Framework kombiniert. Das Modell, früher als NV-Tesseract Forecasting bekannt, ist unter der Apache-2.0-Lizenz verfügbar. NVIDIA stellte es in einem offiziellen Beitrag im Hugging-Face-Blog ausführlich vor.

Der Beitrag wurde von Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz und Viraj P Modak von NVIDIA verfasst. Der Modellcode wird über das GitHub-Repository NVIDIA/Kumo-TS bereitgestellt, eine Open-Source-Bibliothek für Zeitreihen, die auch das auf Diffusion basierende Paket Kumo-Anomaly enthält. Die vortrainierten Gewichte sind über die Modellkarte nvidia/Kumo-Forecast auf Hugging Face verfügbar. Laut Modellkarte wurde die Version am 04/07/2026 auf Hugging Face veröffentlicht. Sie ist für den weltweiten Einsatz vorgesehen und richtet sich an Unternehmen, Organisationen und Forschungszentren, die Prognosen mit langen oder kurzen Vorhersagehorizonten für Zeitreihendaten erstellen.

Vortrainierter Backbone und direkte Prognosen

Kumo Forecast verwendet den MOMENT-1-large-Transformer-Encoder als Backbone. Dieser besteht aus einem Basis-Encoder mit etwa 340 Millionen Parametern sowie einem trainierbaren Prognosekopf. Während des Trainings bleiben die Gewichte des Encoders und des Einbettungsmoduls eingefroren; trainiert wird nur der Prognosekopf. So ist das vortrainierte Repräsentationsmodell von der aufgabenspezifischen Vorhersageschicht getrennt. Bei der direkten Prognose bildet der Kopf die Repräsentationen des Modells auf die zukünftigen Werte für den angeforderten Vorhersagehorizont ab. Für Horizonte, die über die native Leistungsfähigkeit des Modells hinausgehen, unterstützt die Bibliothek eine autoregressive Erweiterung, bei der die Prognosen rekursiv fortgeschrieben werden.

Die Bibliothek bietet eine API, bei der DataFrames im Mittelpunkt stehen, mit konfigurierbaren Vorhersagehorizonten und optionalem Abrufkontext aus historischen Daten. Als Eingabe sind numerische Zeitreihendaten erforderlich, bestehend aus einer Zeitstempelspalte und mindestens einer Spalte mit numerischen Werten. Sie werden als pandas DataFrame oder als CSV-/JSON-Datei bereitgestellt. Unterstützt werden Eingabesequenzen mit 256, 512, 1024 und 2048 Beobachtungen. Die Ausgabe besteht aus pandas DataFrames mit Zeitstempeln und den prognostizierten Werten für den angegebenen Vorhersagehorizont.

DARR-Abruf und Interpretierbarkeit

Über direkte Prognosen hinaus umfasst Kumo Forecast Domain-Aware Representation and Retrieval (DARR), einen kontextangereicherten Modus, der Vorhersagen durch den Abruf historischer Daten anhand der k nächsten Nachbarn ergänzt. Das SDK nimmt diese historischen Daten über ein separates Argument namens context_df entgegen. Dadurch werden das Eingabefenster des Modells, das die jüngsten Beobachtungen bereitstellt, und der Abrufkontext, der zusätzliche Muster enthält, voneinander unterschieden. Entwickler können über die Konfigurationsoptionen der Bibliothek einstellen, wie stark die endgültige Vorhersage von den jeweiligen Ansätzen abhängt. Als Einschränkung nennt NVIDIA, dass die Dimensionen des Abrufkontexts denen des Eingabekontexts ähneln müssen.

Im DARR-Beispiel des Repositorys ist alpha auf 0.2 gesetzt; laut einem Codekommentar entspricht das 20 Prozent direkter Prognose und 80 Prozent kNN-Abruf. Außerdem sind k auf 64 und die Temperatur auf 0.05 eingestellt. Weitere Einzelheiten zu diesem Modus finden Entwickler in der von NVIDIA empfohlenen Forschungsarbeit Prognosen mit Speichererweiterung: Skalierbarkeit und Generalisierung über Zeitdomänen hinweg. Laut Literaturverzeichnis des Repositorys wurde sie in den Tagungsband der IEEE International Conference on Big Data 2025 aufgenommen.

Das Interpretierbarkeits-Framework ist modellunabhängig und funktioniert, ohne den zugrunde liegenden Prognosealgorithmus zu verändern. Ist es aktiviert, erstellt es ein Erklärungspaket mit Zuordnungen von Verzögerungen und Merkmalen zu jedem Vorhersagehorizont, Diagnosen zum semantischen Informationsfluss und zur Stabilität von Trajektorien sowie optionalen Integrated Gradients für Einbettungen. Wird im SDK interpretability=True übergeben, speichert es das Paket zusammen mit der Prognose als JSON- und CSV-Dateien sowie als PDF-Bericht.

Das Framework basiert auf dem Preprint NVExplain: Erklärung von Zeitreihenprognosen anhand latenter Trajektorienanalyse und strukturerhaltender Surrogatmodelle von Muyan Anna Li, Manikandan Ravikiran und Aditi Gautam, der am 25. August 2026 bei arXiv eingereicht wurde. In der Arbeit werden Prognosen als latente Trajektorien modelliert. Sie führt den semantischen Informationsfluss ein, um zu quantifizieren, wie sich Informationen im Zeitverlauf in den internen Repräsentationen eines Modells entwickeln. Dieser Informationsfluss wird zu einer Zuordnungsmatrix für Verzögerungen und Vorhersagehorizonte zusammengeführt. Anschließend werden strukturerhaltende Störungen mit dünn besetzten lokalen Surrogatmodellen eingesetzt, um Erklärungen in verständlicher Sprache zu erzeugen. Die Autoren berichten, dass die Variante mit semantischem Informationsfluss im Vergleich zu etablierten nachträglichen Baselines eine wettbewerbsfähige oder höhere Erklärungstreue erreicht und dabei deutlich rechenzeiteffizienter ist. Außerdem zeige ihre Stabilitätsanalyse Bereiche auf, in denen Interpretationen mit Vorsicht vorgenommen werden sollten.

Trainingsdaten, Laufzeitanforderungen und Integrationen

Laut der Modellkarte wurden beim Training 3 Millionen Datenpunkte verwendet, wobei jedes Dataset in ein Verhältnis von 80/20 aufgeteilt wurde. Als Ausgangspunkt diente das Monash Time Series Forecasting Archive, eine vielfältige Sammlung von 30 primären Datasets, die auch Varianten mit fehlenden Werten umfasst. Zu den in der Modellkarte aufgeführten Evaluierungsdatasets gehören ECL mit Stromverbrauchsdaten von 370 Kunden, die von 2011 bis 2014 alle 15 Minuten erfasst wurden; Traffic mit Belegungsraten von Straßen, die von Sensoren auf Schnellstraßen im Großraum San Francisco Bay gemessen wurden; ETTh mit der Öltemperatur von Leistungstransformatoren und sechs stündlich über einen Zeitraum von zwei Jahren erfassten Leistungsmerkmalen; sowie ILI mit wöchentlichen Daten der US-amerikanischen Centers for Disease Control, die das Verhältnis der Patienten mit grippeähnlicher Erkrankung zur Gesamtzahl der Patienten beschreiben. Als Referenzen führt die Modellkarte außerdem die Arbeiten zu Fehlern bei zeitlichen Abhängigkeiten MOMENT, TimeRAF und Beyond MAE an.

Kumo-Forecast läuft unter Linux mit PyTorch und unterstützt die NVIDIA-Mikroarchitekturen Ampere und Hopper. Laut Modellkarte wurden Inferenztests auf A100- und H100-Systemen mit jeweils acht GPUs durchgeführt. Das Repository nennt für Kumo-Forecast Python 3.10 oder höher, PyTorch 2.7 oder höher, pandas und numpy als Voraussetzungen. Es empfiehlt eine GPU, wechselt aber automatisch auf die CPU, falls keine verfügbar ist, und lädt vortrainierte Gewichte automatisch von Hugging Face herunter. Laut Modellkarte sind die Modelle für NVIDIA-Systeme mit GPU-Beschleunigung konzipiert und optimiert. Die Integration in KI-Systeme erfordert zusätzliche, an den jeweiligen Anwendungsfall angepasste Tests nach der V-Modell-Methodik.

Für anwendungsspezifische Evaluierungen empfiehlt NVIDIA, die direkten und die durch Retrieval erweiterten Konfigurationen anhand derselben zurückgehaltenen Prognosezeitfenster zu vergleichen und die Prognosequalität über die vorgesehenen Prognosehorizonte und Betriebsbedingungen hinweg zu validieren. Das Kumo-TS-Repository enthält außerdem ein Beispiel für das Feinabstimmen von Kumo-Forecast anhand einer vom Nutzer bereitgestellten CSV-Datei. Damit erhalten Entwickler sowohl einen Inferenz-Workflow mit einem vortrainierten Modell als auch einen dokumentierten Ausgangspunkt, um das Modell an ihre eigenen Daten anzupassen. Für die Bereitstellung umfasst der Factory Operations Blueprint einen Modul für vorausschauende Wartung mit Early Access, der Kumo Anomaly und Kumo Forecast nutzt, um Echtzeitdaten zu analysieren und künftige Anomalien vorherzusagen. Außerdem verlinkt der Beitrag von NVIDIA auf eine Session der GTC San Jose 2026 zur Plattformintegration.