NVIDIA ने बहुचर समय-श्रृंखला पूर्वानुमान मॉडल Open Kumo Forecast की घोषणा की

NVIDIA ने 21 अक्टूबर 2026 को Kumo Forecast की घोषणा की। यह एक ओपन बहुचर समय-श्रृंखला पूर्वानुमान मॉडल है, जो पहले से प्रशिक्षित MOMENT-1-large Transformer बैकबोन को ऐतिहासिक डेटा से वैकल्पिक पुनर्प्राप्ति और मॉडल-निरपेक्ष व्याख्येयता ढाँचे के साथ जोड़ता है। पहले NV-Tesseract Forecasting के नाम से जाना जाने वाला यह मॉडल Apache 2.0 लाइसेंस के तहत उपलब्ध है। NVIDIA ने इसके बारे में Hugging Face ब्लॉग पर एक आधिकारिक पोस्ट में विस्तार से बताया।

यह पोस्ट NVIDIA के Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz और Viraj P Modak ने लिखी। मॉडल का कोड NVIDIA/Kumo-TS GitHub रिपॉज़िटरी के ज़रिए वितरित किया जाता है। यह एक ओपन-सोर्स समय-श्रृंखला लाइब्रेरी है, जिसमें प्रसरण-आधारित Kumo-Anomaly पैकेज भी मौजूद है। वहीं, पहले से प्रशिक्षित वेट Hugging Face पर nvidia/Kumo-Forecast मॉडल कार्ड के ज़रिए उपलब्ध कराए जाते हैं। कार्ड में Hugging Face पर जारी होने की तारीख 04/07/2026, वैश्विक तैनाती और उपयोग का बताया गया उद्देश्य दर्ज है: कंपनियाँ, संगठन और अनुसंधान केंद्र समय-आधारित डेटा पर लंबी या छोटी अवधि के पूर्वानुमान चलाएँ।

पहले से प्रशिक्षित बैकबोन और प्रत्यक्ष पूर्वानुमान

Kumo Forecast अपने बैकबोन के रूप में MOMENT-1-large Transformer एन्कोडर का उपयोग करता है। इसमें लगभग 340 मिलियन पैरामीटर वाला आधार एन्कोडर और एक प्रशिक्षित किया जा सकने वाला पूर्वानुमान हेड शामिल है। प्रशिक्षण के दौरान एन्कोडर और एम्बेडर के वेट स्थिर रहते हैं और केवल पूर्वानुमान हेड को प्रशिक्षित किया जाता है। इससे पहले से प्रशिक्षित निरूपण मॉडल, कार्य-विशिष्ट पूर्वानुमान परत से अलग रहता है। प्रत्यक्ष पूर्वानुमान प्रक्रिया में हेड, मॉडल के निरूपणों को अनुरोधित अवधि के भविष्य के मानों में बदलता है। मॉडल की मूल क्षमता से अधिक लंबी अवधियों के लिए, लाइब्रेरी पुनरावर्ती रूप से पूर्वानुमान बढ़ाने वाले ऑटोरेग्रेसिव विस्तार का समर्थन करती है।

लाइब्रेरी में DataFrame-केंद्रित API उपलब्ध है, जिसमें पूर्वानुमान की अवधि कॉन्फ़िगर की जा सकती है और पुनर्प्राप्ति के लिए वैकल्पिक ऐतिहासिक संदर्भ जोड़ा जा सकता है। इनपुट संख्यात्मक समय-आधारित डेटा होना चाहिए, जिसमें समय-मुद्राओं का एक कॉलम और संख्यात्मक मानों के एक या अधिक कॉलम हों। इसे pandas DataFrame या CSV/JSON के रूप में दिया जा सकता है। समर्थित इनपुट अनुक्रम लंबाइयाँ 256, 512, 1024 और 2048 अवलोकन हैं। आउटपुट pandas DataFrame होते हैं, जिनमें निर्दिष्ट पूर्वानुमान अवधि के लिए समय-मुद्राएँ और अनुमानित मान शामिल होते हैं।

DARR पुनर्प्राप्ति और व्याख्येयता

प्रत्यक्ष पूर्वानुमान के अलावा, Kumo Forecast में डोमेन-जागरूक निरूपण और पुनर्प्राप्ति (DARR) भी शामिल है। यह संदर्भ-संवर्धित मोड ऐतिहासिक डेटा से k-निकटतम-पड़ोसी पुनर्प्राप्ति के ज़रिए पूर्वानुमानों को बेहतर बनाता है। SDK, इस इतिहास को अलग context_df तर्क के माध्यम से स्वीकार करता है। इससे मॉडल की इनपुट विंडो—जो हाल के अवलोकन देती है—और पुनर्प्राप्ति संदर्भ—जो अतिरिक्त पैटर्न देता है—के बीच अंतर स्पष्ट होता है। डेवलपर लाइब्रेरी के कॉन्फ़िगरेशन विकल्पों के ज़रिए यह समायोजित कर सकते हैं कि अंतिम पूर्वानुमान में प्रत्येक प्रक्रिया पर कितना भरोसा किया जाए। NVIDIA ने एक सीमा यह बताई है कि पुनर्प्राप्ति संदर्भ के आयाम इनपुट के संदर्भ के आयामों के समान होने चाहिए।

रिपॉज़िटरी के DARR उदाहरण में alpha का मान 0.2 रखा गया है। कोड टिप्पणी के अनुसार, इसका अर्थ है 20 प्रतिशत प्रत्यक्ष पूर्वानुमान और 80 प्रतिशत kNN पुनर्प्राप्ति। साथ ही, k का मान 64 और तापमान 0.05 है। इस मोड के बारे में अधिक जानकारी के लिए NVIDIA डेवलपरों को शोध-पत्र स्मृति-संवर्धित पूर्वानुमान: समय-आधारित डोमेन में विस्तार-क्षमता और सामान्यीकरण की ओर निर्देशित करता है। रिपॉज़िटरी की संदर्भ सूची के अनुसार, यह शोध-पत्र 2025 IEEE International Conference on Big Data की कार्यवाही में शामिल है।

व्याख्येयता ढाँचा मॉडल-निरपेक्ष है और मूल पूर्वानुमान मॉडल में बदलाव किए बिना काम करता है। इसे सक्षम करने पर यह एक व्याख्या-पैकेज तैयार करता है, जिसमें प्रत्येक पूर्वानुमान अवधि के लिए लैग और फ़ीचर का योगदान, अर्थगत प्रवाह निदान, प्रक्षेप-पथ स्थिरता निदान और वैकल्पिक एम्बेडिंग इंटीग्रेटेड ग्रेडिएंट्स शामिल होते हैं। SDK में interpretability=True देने पर यह पैकेज पूर्वानुमान के साथ JSON और CSV फ़ाइलों तथा एक PDF रिपोर्ट के रूप में सहेजा जाता है।

यह ढाँचा Muyan Anna Li, Manikandan Ravikiran और Aditi Gautam के उस प्रीप्रिंट NVExplain: गुप्त प्रक्षेप-पथ विश्लेषण और संरचना-संरक्षक स्थानापन्न मॉडलों के ज़रिए समय-श्रृंखला पूर्वानुमान की व्याख्या पर आधारित है, जिसे 25 अगस्त 2026 को arXiv पर जमा किया गया था। शोध-पत्र पूर्वानुमान को एक गुप्त प्रक्षेप-पथ के रूप में प्रस्तुत करता है, मॉडल के आंतरिक निरूपणों में समय के साथ सूचना के बदलने को मापने के लिए अर्थगत प्रवाह पेश करता है, उस प्रवाह को लैग-अवधि योगदान मैट्रिक्स में समेकित करता है और मानव-पठनीय व्याख्याएँ तैयार करने के लिए विरल स्थानीय स्थानापन्न मॉडलों के साथ संरचना-संरक्षक बदलाव लागू करता है। लेखकों के अनुसार, अर्थगत-प्रवाह वाला रूप मानक पश्च-विश्लेषण आधाररेखाओं की तुलना में तुलनीय या बेहतर विश्वसनीयता हासिल करता है, जबकि गणना की दृष्टि से काफ़ी अधिक कुशल है। उनका स्थिरता विश्लेषण उन परिस्थितियों की भी पहचान करता है जिनमें व्याख्या का उपयोग सावधानी से किया जाना चाहिए।

प्रशिक्षण डेटा, रनटाइम आवश्यकताएँ और एकीकरण

मॉडल कार्ड के अनुसार, प्रशिक्षण में हर डेटासेट के लिए 80/20 विभाजन के साथ 3 मिलियन डेटा बिंदुओं का उपयोग किया गया। इसकी शुरुआत Monash Time Series Forecasting Archive से हुई, जिसे 30 प्राथमिक डेटासेटों का विविध संग्रह बताया गया है और जिसमें लुप्त मानों के अलग-अलग रूप शामिल हैं। कार्ड में मूल्यांकन के लिए जिन डेटासेटों की सूची दी गई है, उनमें ECL शामिल है—2011 से 2014 तक हर 15 मिनट में दर्ज 370 ग्राहकों की बिजली-खपत का डेटा; Traffic—सैन फ्रांसिस्को खाड़ी क्षेत्र के राजमार्गों पर सेंसरों से मापी गई सड़क-व्यस्तता दरें; ETTh—दो वर्षों में हर घंटे जुटाए गए बिजली ट्रांसफॉर्मर के तेल का तापमान और बिजली-भार से जुड़ी छह विशेषताएँ; और ILI—U.S. Centers for Disease Control का साप्ताहिक डेटा, जो इन्फ्लुएंज़ा-जैसी बीमारी वाले रोगियों का कुल रोगियों से अनुपात बताता है। कार्ड में संदर्भ के रूप में MOMENT, TimeRAF और Beyond MAE के समय-निर्भरता संबंधी त्रुटि-पत्रों का भी उल्लेख है।

Kumo-Forecast Linux पर NVIDIA Ampere और Hopper माइक्रोआर्किटेक्चर के समर्थन के साथ PyTorch पर चलता है। मॉडल कार्ड के अनुसार, अनुमान परीक्षण A100 और H100 सिस्टमों पर किया गया, जिनमें से प्रत्येक में आठ GPU थे। रिपॉज़िटरी में Kumo-Forecast के लिए Python 3.10 या उसके बाद का संस्करण, PyTorch 2.7 या उसके बाद का संस्करण, pandas और numpy आवश्यक बताए गए हैं। इसमें GPU का उपयोग करने की सिफारिश की गई है, और GPU उपलब्ध न होने पर यह अपने-आप CPU पर काम करने लगता है; साथ ही, यह Hugging Face से पूर्व-प्रशिक्षित वज़न अपने-आप डाउनलोड करता है। मॉडल कार्ड कहता है कि ये मॉडल NVIDIA GPU-त्वरित सिस्टमों के लिए डिज़ाइन और अनुकूलित किए गए हैं, और इन्हें एआई सिस्टमों में एकीकृत करने के लिए V-मॉडल पद्धति के अनुसार उपयोग-मामले के अनुरूप अतिरिक्त परीक्षण आवश्यक हैं।

विशिष्ट अनुप्रयोग के लिए मूल्यांकन करते समय, NVIDIA सलाह देता है कि प्रत्यक्ष और पुनर्प्राप्ति-संवर्धित कॉन्फ़िगरेशन की तुलना एक ही अलग रखी गई पूर्वानुमान विंडो पर की जाए, और अपेक्षित समय-सीमाओं तथा परिचालन स्थितियों में पूर्वानुमान की गुणवत्ता की पुष्टि की जाए। Kumo-TS रिपॉज़िटरी में उपयोगकर्ता की दी हुई CSV फ़ाइल पर Kumo-Forecast को बेहतर ढंग से प्रशिक्षित करने का एक उदाहरण भी है। इससे विकासकर्ताओं को पूर्व-प्रशिक्षित मॉडल से अनुमान लगाने की कार्यप्रणाली के साथ-साथ अपने डेटा के अनुसार मॉडल को ढालने के लिए एक दस्तावेज़ीकृत शुरुआती आधार मिलता है। परिनियोजन के लिए, Factory Operations Blueprint में पूर्वानुमानित रखरखाव मॉड्यूल की प्रारंभिक पहुँच शामिल है। यह मॉड्यूल वास्तविक समय के डेटा का विश्लेषण करने और भविष्य की विसंगतियों का अनुमान लगाने के लिए Kumo Anomaly और Kumo Forecast का उपयोग करता है। NVIDIA की पोस्ट में प्लेटफ़ॉर्म एकीकरण पर केंद्रित GTC San Jose 2026 सत्र का लिंक भी है।