NVIDIA annonce le modèle ouvert de prévision de séries temporelles multivariées Kumo Forecast

Le 21 octobre 2026, NVIDIA a annoncé Kumo Forecast, un modèle ouvert de prévision de séries temporelles multivariées qui associe un modèle Transformer préentraîné MOMENT-1-large à une recherche facultative dans des données historiques et à un cadre d’interprétabilité indépendant du modèle. Le modèle, autrefois connu sous le nom de NV-Tesseract Forecasting, est proposé sous licence Apache 2.0. NVIDIA l’a présenté en détail dans un billet officiel sur le blog de Hugging Face.

Le billet a été rédigé par Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz et Viraj P Modak, de NVIDIA. Le code du modèle est distribué dans le dépôt GitHub NVIDIA/Kumo-TS, une bibliothèque open source pour les séries temporelles qui héberge également le paquet Kumo-Anomaly fondé sur la diffusion. Les poids préentraînés sont quant à eux proposés dans la fiche du modèle nvidia/Kumo-Forecast sur Hugging Face. La fiche indique une date de publication sur Hugging Face au 04/07/2026, un déploiement mondial et un cas d’usage destiné aux entreprises, aux organisations et aux centres de recherche qui effectuent des prévisions à court ou à long terme sur des données temporelles.

Modèle de base préentraîné et prévision directe

Kumo Forecast s’appuie sur l’encodeur Transformer MOMENT-1-large, avec un encodeur de base comptant environ 340 millions de paramètres et une tête de prévision entraînable. Les poids de l’encodeur et de l’encodeur d’embeddings restent figés pendant l’entraînement ; seule la tête de prévision est entraînée, ce qui dissocie le modèle de représentation préentraîné de la couche de prédiction propre à la tâche. Dans le processus de prévision directe, la tête convertit les représentations du modèle en valeurs futures pour l’horizon demandé. Pour les horizons dépassant les capacités natives du modèle, la bibliothèque permet une extension autorégressive qui prolonge les prévisions de manière récursive.

La bibliothèque propose une API privilégiant les DataFrame, avec des horizons de prévision configurables et la possibilité d’utiliser le contexte historique pour la recherche. Les entrées doivent être des données temporelles numériques comprenant une colonne d’horodatage et une ou plusieurs colonnes de valeurs numériques. Elles peuvent être fournies sous forme de DataFrame pandas ou de fichier CSV/JSON. Les longueurs de séquence d’entrée prises en charge sont de 256, 512, 1024 et 2048 observations. Les sorties sont des DataFrame pandas contenant les horodatages et les valeurs prédites pour l’horizon de prévision spécifié.

Recherche DARR et interprétabilité

Au-delà de la prévision directe, Kumo Forecast intègre le mode Domain-Aware Representation and Retrieval (DARR), qui enrichit les prédictions grâce à une recherche par k plus proches voisins dans des données historiques. Le SDK accepte ces données au moyen d’un argument distinct, context_df, ce qui distingue la fenêtre d’entrée du modèle, qui fournit les observations récentes, du contexte de recherche, qui apporte des tendances supplémentaires. Les développeurs peuvent régler, à l’aide des options de configuration de la bibliothèque, le poids accordé à chacune de ces deux voies dans la prédiction finale. NVIDIA indique parmi les limites que les dimensions du contexte de recherche doivent être similaires à celles du contexte d’entrée.

Dans l’exemple DARR du dépôt, alpha est défini à 0,2, ce qu’un commentaire dans le code décrit comme une prévision directe à 20 % et une recherche kNN à 80 %. L’exemple utilise également un k de 64 et une température de 0,05. Pour en savoir plus sur ce mode, NVIDIA renvoie les développeurs à l’article Prévision augmentée par la mémoire : évolutivité et généralisation dans différents domaines temporels, que la liste de références du dépôt situe dans les actes de la conférence internationale IEEE 2025 sur les mégadonnées.

Le cadre d’interprétabilité est indépendant du modèle et fonctionne sans modifier le système de prévision sous-jacent. Lorsqu’il est activé, il produit un ensemble d’explications comprenant les contributions des retards et des caractéristiques pour chaque horizon de prévision, des diagnostics de flux sémantique et de stabilité des trajectoires, ainsi qu’une analyse facultative des gradients intégrés des embeddings. Le passage de interpretability=True au SDK génère, avec les prévisions, cet ensemble sous forme de fichiers JSON et CSV, ainsi que d’un rapport PDF.

Le cadre s’appuie sur le préprint NVExplain : expliquer la prévision de séries temporelles grâce à l’analyse des trajectoires latentes et à des modèles de substitution préservant la structure, de Muyan Anna Li, Manikandan Ravikiran et Aditi Gautam, soumis à arXiv le 25 août 2026. L’article modélise la prévision comme une trajectoire latente, introduit le flux sémantique pour quantifier l’évolution de l’information au fil du temps dans les représentations internes d’un modèle, agrège ce flux dans une matrice d’attribution retards-horizons et applique des perturbations préservant la structure, associées à des modèles de substitution locaux parcimonieux, afin de produire des explications compréhensibles par l’humain. Les auteurs indiquent que la variante fondée sur le flux sémantique atteint une fidélité comparable ou supérieure à celle des méthodes de référence classiques a posteriori, tout en étant nettement plus efficace sur le plan computationnel. Ils précisent également que leur analyse de stabilité met en évidence les régimes dans lesquels l’interprétation doit être appliquée avec prudence.

Données d’entraînement, exigences d’exécution et intégrations

Selon la fiche du modèle, l’entraînement a utilisé 3 millions de points de données, répartis à 80/20 pour chaque jeu de données, en commençant par le Monash Time Series Forecasting Archive, décrit comme un ensemble diversifié de 30 jeux de données principaux comprenant des variantes avec des valeurs manquantes. Les jeux de données d’évaluation répertoriés dans la fiche sont les suivants : ECL, des données de consommation d’électricité de 370 clients, relevées toutes les 15 minutes de 2011 à 2014 ; Traffic, des taux d’occupation des routes mesurés par des capteurs sur les voies rapides de la région de la baie de San Francisco ; ETTh, la température de l’huile des transformateurs électriques et six caractéristiques de charge électrique, relevées toutes les heures pendant deux ans ; et ILI, des données hebdomadaires des Centers for Disease Control américains décrivant le rapport entre le nombre de patients présentant un syndrome grippal et le nombre total de patients. La fiche cite également en référence les articles sur les erreurs de dépendance temporelle MOMENT, TimeRAF et Beyond MAE.

Kumo-Forecast fonctionne avec PyTorch et prend en charge les microarchitectures NVIDIA Ampere et Hopper sous Linux. La fiche du modèle indique que l’inférence a été testée sur des systèmes A100 et H100 équipés chacun de huit GPU. Pour Kumo-Forecast, le dépôt indique Python 3.10 ou une version ultérieure, PyTorch 2.7 ou une version ultérieure, pandas et numpy ; il recommande un GPU, avec basculement automatique vers le CPU, et télécharge automatiquement les poids préentraînés depuis Hugging Face. La fiche du modèle précise que les modèles sont conçus et optimisés pour les systèmes accélérés par GPU NVIDIA et que leur intégration dans des systèmes d’IA nécessite des tests supplémentaires adaptés à chaque cas d’usage, suivant la méthodologie du modèle en V.

Pour évaluer le modèle en fonction de l’application, NVIDIA conseille de comparer les configurations directe et avec enrichissement par récupération sur les mêmes fenêtres de prévision réservées à l’évaluation, puis de valider la qualité des prévisions pour les horizons et les conditions de fonctionnement visés. Le dépôt Kumo-TS propose également un exemple de réglage fin de Kumo-Forecast à partir d’un fichier CSV fourni par l’utilisateur. Les développeurs disposent ainsi à la fois d’un flux de travail d’inférence avec un modèle préentraîné et d’un point de départ documenté pour l’adapter à leurs propres données. Pour le déploiement, le Factory Operations Blueprint donne un accès anticipé à un module de maintenance prédictive qui utilise Kumo Anomaly et Kumo Forecast pour analyser des données en temps réel et prévoir de futures anomalies. La publication de NVIDIA renvoie également à une session GTC San Jose 2026 consacrée à l’intégration de la plateforme.