NVIDIA anuncia Kumo Forecast, un modelo abierto de series temporales multivariantes

NVIDIA anunció Kumo Forecast el 21 de octubre de 2026: un modelo abierto de predicción de series temporales multivariantes que combina una arquitectura Transformer MOMENT-1-large preentrenada con la recuperación opcional de datos históricos y un marco de interpretabilidad independiente del modelo. El modelo, antes conocido como NV-Tesseract Forecasting, está disponible con licencia Apache 2.0, y NVIDIA ofreció más detalles en una publicación oficial en el blog de Hugging Face.

La publicación fue escrita por Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz y Viraj P Modak, de NVIDIA. El código del modelo se distribuye a través del repositorio de GitHub NVIDIA/Kumo-TS, una biblioteca de código abierto para series temporales que también incluye el paquete Kumo-Anomaly, basado en difusión; por su parte, los pesos preentrenados se distribuyen mediante la tarjeta del modelo nvidia/Kumo-Forecast en Hugging Face. La tarjeta indica que la fecha de publicación en Hugging Face es el 04/07/2026, que el despliegue es global y que el caso de uso declarado abarca empresas, organizaciones y centros de investigación que realizan predicciones de corto o largo plazo con datos temporales.

Arquitectura preentrenada y predicción directa

Kumo Forecast utiliza como arquitectura base el codificador Transformer MOMENT-1-large, con un codificador base de aproximadamente 340 millones de parámetros y una capa de predicción entrenable. Durante el entrenamiento, los pesos del codificador y del generador de embeddings permanecen congelados y solo se entrena la capa de predicción, lo que separa el modelo de representación preentrenado de la capa de predicción específica para la tarea. En la ruta de predicción directa, la capa transforma las representaciones del modelo en valores futuros para el horizonte solicitado; para horizontes que superan la capacidad nativa del modelo, la biblioteca admite una extensión autorregresiva que amplía las predicciones de forma recursiva.

La biblioteca ofrece una API centrada en DataFrame, con horizontes de predicción configurables y contexto histórico opcional para la recuperación. Las entradas deben ser datos temporales numéricos compuestos por una columna de marcas de tiempo y una o más columnas de valores numéricos, proporcionados como un DataFrame de pandas o en formato CSV/JSON. Las longitudes de secuencia de entrada admitidas son 256, 512, 1024 y 2048 observaciones. Las salidas son DataFrames de pandas que contienen las marcas de tiempo y los valores predichos para el horizonte de predicción especificado.

Recuperación DARR e interpretabilidad

Además de la predicción directa, Kumo Forecast incluye la Representación y Recuperación con Conocimiento del Dominio (DARR), un modo que enriquece las predicciones con contexto mediante la recuperación de los k vecinos más cercanos a partir de datos históricos. El SDK acepta esos datos históricos mediante un argumento independiente, context_df, lo que distingue entre la ventana de entrada del modelo, que proporciona observaciones recientes, y el contexto de recuperación, que aporta patrones adicionales. Los desarrolladores pueden ajustar, mediante las opciones de configuración de la biblioteca, cuánto depende la predicción final de cada una de estas vías. NVIDIA señala como limitación que las dimensiones del contexto de recuperación deben ser similares a las del contexto de entrada.

El ejemplo de DARR del repositorio establece un valor alfa de 0.2, que un comentario del código describe como un 20 por ciento de predicción directa y un 80 por ciento de recuperación kNN, junto con un valor k de 64 y una temperatura de 0.05. Para obtener más información sobre este modo, NVIDIA remite a los desarrolladores al artículo Predicción aumentada con memoria: escalabilidad y generalización en distintos dominios temporales, que la lista de referencias del repositorio incluye en las actas de la Conferencia Internacional IEEE sobre Big Data de 2025.

El marco de interpretabilidad es independiente del modelo y funciona sin modificar el predictor subyacente. Cuando se activa, genera un paquete de explicaciones que contiene atribuciones de retardos y características para cada horizonte de predicción, diagnósticos de flujo semántico, diagnósticos de estabilidad de trayectoria y, de forma opcional, gradientes integrados de embeddings. Al pasar interpretability=True al SDK, el paquete se guarda junto con la predicción como archivos JSON y CSV, además de un informe en PDF.

El marco se basa en la prepublicación NVExplain: explicación de la predicción de series temporales mediante el análisis de trayectorias latentes y modelos sustitutos que preservan la estructura, de Muyan Anna Li, Manikandan Ravikiran y Aditi Gautam, enviada a arXiv el 25 de agosto de 2026. El artículo modela la predicción como una trayectoria latente, introduce el flujo semántico para cuantificar cómo evoluciona la información a lo largo del tiempo en las representaciones internas de un modelo, agrega ese flujo en una matriz de atribución de retardos y horizontes, y aplica perturbaciones que preservan la estructura junto con modelos sustitutos locales dispersos para generar explicaciones comprensibles para las personas. Los autores informan que la variante de flujo semántico alcanza una fidelidad competitiva o superior a la de los métodos de referencia pos hoc estándar, con una eficiencia computacional considerablemente mayor, y que su análisis de estabilidad identifica situaciones en las que la interpretación debe aplicarse con cautela.

Datos de entrenamiento, requisitos de ejecución e integraciones

Según la ficha del modelo, el entrenamiento utilizó 3 millones de puntos de datos, con una división 80/20 para cada conjunto de datos, empezando por Monash Time Series Forecasting Archive, descrito como una colección diversa de 30 conjuntos de datos principales que incluye variaciones con valores faltantes. Los conjuntos de datos de evaluación que enumera la ficha son ECL, datos de consumo eléctrico de 370 clientes registrados cada 15 minutos entre 2011 y 2014; Traffic, tasas de ocupación de las vías medidas por sensores en las autopistas del área de la bahía de San Francisco; ETTh, temperatura del aceite de los transformadores eléctricos y seis características de carga eléctrica recopiladas cada hora durante dos años; e ILI, datos semanales de los Centros para el Control y la Prevención de Enfermedades de EE. UU. que describen la proporción de pacientes con enfermedades similares a la gripe respecto del total de pacientes. La ficha también cita como referencias los artículos sobre errores de dependencia temporal MOMENT, TimeRAF y Beyond MAE.

Kumo-Forecast se ejecuta en PyTorch y es compatible con las microarquitecturas NVIDIA Ampere y Hopper en Linux. La ficha del modelo informa que se probaron las inferencias en sistemas A100 y H100, cada uno con ocho GPU. El repositorio especifica que Kumo-Forecast requiere Python 3.10 o posterior, PyTorch 2.7 o posterior, pandas y numpy; recomienda una GPU, con cambio automático a CPU como alternativa, y descarga automáticamente los pesos preentrenados de Hugging Face. La ficha del modelo indica que los modelos están diseñados y optimizados para sistemas acelerados por GPU de NVIDIA, y que su integración en sistemas de IA requiere pruebas adicionales específicas para cada caso de uso, siguiendo la metodología del modelo en V.

Para evaluar el modelo en aplicaciones específicas, NVIDIA recomienda comparar las configuraciones directa y mejorada mediante recuperación con las mismas ventanas de pronóstico reservadas para la evaluación, y validar la calidad de los pronósticos en los horizontes y las condiciones operativas previstos. El repositorio de Kumo-TS también incluye un ejemplo para ajustar Kumo-Forecast con un archivo CSV proporcionado por el usuario, de modo que los desarrolladores disponen tanto de un flujo de trabajo de inferencia con un modelo preentrenado como de un punto de partida documentado para adaptarlo a sus propios datos. En cuanto a la implementación, Factory Operations Blueprint incluye acceso anticipado a un módulo de mantenimiento predictivo que utiliza Kumo Anomaly y Kumo Forecast para analizar datos en tiempo real y predecir anomalías futuras; además, la publicación de NVIDIA enlaza a una sesión de GTC San Jose 2026 sobre integración de plataformas.