IBM Merilis Model Deret Waktu Granite PatchTST-FM-R2 Zero-Shot

IBM merilis Granite Time Series PatchTST-FM-r2 pada 9 September 2026, sebuah model peramalan deret waktu zero-shot dengan sekitar 385 juta parameter yang memiliki lisensi ganda di bawah Apache 2.0 dan OpenMDW 1.0 milik Linux Foundation. Bobot model, arsitektur, pipeline inferensi, dan kode yang diperlukan untuk mereproduksi hasil benchmark semuanya dipublikasikan secara terbuka bersama rilis tersebut.

IBM mengumumkan model ini dalam sebuah posting blog Hugging Face oleh penulis IBM Research, memperkenalkannya sebagai penerus PatchTST-FM-r1 dan model terbaru dalam keluarga model fondasi deret waktu Granite. Menurut pengumuman tersebut, PatchTST-FM-r2 menggabungkan arsitektur yang diperbarui, korpus pra-pelatihan yang lebih besar, peramalan probabilistik, serta dukungan untuk imputasi nilai yang hilang, dan menghasilkan perkiraan pada data baru tanpa fine‑tuning atau penyesuaian khusus tugas.

Peringkat GIFT-Eval yang Dilaporkan

GIFT-Eval adalah benchmark komprehensif untuk mengevaluasi model peramalan pada beragam dataset dan skenario, dan nilai yang lebih rendah lebih baik untuk kedua metrik CRPS dan MASE yang dilaporkan IBM. IBM menyatakan bahwa per 8 September 2026, PatchTST-FM-r2 menempati peringkat kedua di antara model zero-shot yang dapat direplikasi untuk kedua metrik tersebut, dan merupakan model dengan performa tertinggi dalam kategori itu di antara model yang dirilis dengan lisensi permisif dan ramah komersial. Pengumuman tersebut mencatat CRPS rata‑geometrik sebesar 0,467, tepat di belakang TimesFM-3, dan MASE rata‑geometrik sebesar 0,6846.

Beberapa model pada GIFT-Eval dikategorikan sebagai pretrained bukan zero-shot murni, yang berarti mereka diizinkan memasukkan bagian pelatihan dari dataset evaluasi benchmark ke dalam korpus pra‑pelatihan mereka. IBM menyatakan bahwa bahkan ketika model‑model tersebut ditambahkan ke perbandingan, PatchTST-FM-r2 menempati peringkat ketiga untuk CRPS dan keempat untuk MASE di antara model yang dapat direplikasi, berada di depan varian pretrained Chronos-2, Timer-S1, dan Toto, beberapa di antaranya jauh lebih besar.

Kartu model, yang ditulis oleh Jiri Navratil, Wesley M. Gifford, Yunshi Wen, Chandra K. Reddy, dan Agung Julius, mencatat peringkat zero-shot yang dapat direplikasi nomor dua pada 31 Agustus 2026, dan menyebutkan bahwa hasil model berada dalam pull request yang sedang menunggu untuk benchmark GIFT-Eval; pengumuman mencatat peringkat yang sama pada 8 September 2026.

Arsitektur Conformer

PatchTST-FM-r2 mempertahankan representasi berbasis patch dari pendahulunya namun mengganti blok transformer standar dengan blok conformer, sebuah desain yang berasal dari pemrosesan suara. Setiap blok berisi dua lapisan feed‑forward setengah langkah yang mengelilingi multi‑head self‑attention dan lapisan konvolusi temporal, dengan ukuran kernel konvolusi bergantian 3 dan 5 dalam pola berulang {5, 5, 3, 3}. IBM menyatakan bahwa komponen konvolusi menangkap struktur temporal jangka pendek, memungkinkan mekanisme attention fokus pada hubungan jangka panjang antar patch.

Model ini menggunakan patch yang tumpang tindih 50 % — panjang patch 16, stride 8 — dengan pembobotan jendela Hamming selama pelatihan dan peramalan overlap‑and‑add pada inferensi, serta normalisasi lapisan pra‑head yang diterapkan untuk stabilitas pelatihan. Model ini memiliki dimensi tersembunyi sebesar 1024 dan 30 blok, naik dari 20 pada r1, mendukung panjang konteks hingga 8.192 langkah, dan memprediksi 99 kuantil pada panjang peramalan yang fleksibel, menghasilkan baik perkiraan titik maupun interval ketidakpastian. Implementasinya tersedia di repositori open‑source granite‑tsfm dan tetap kompatibel mundur dengan checkpoint PatchTST‑FM‑r1.

Data Pelatihan dan Lisensi

Korpus pra‑pelatihan yang didokumentasikan memiliki empat sumber: dataset terpilih dari GiftEvalPretrain; data sintetis khusus berbasis KernelSynth dengan kernel periodik yang dimodifikasi dan augmentasi terbatas; korpus TSMixup yang dihasilkan menggunakan pendekatan yang dijelaskan dalam makalah Chronos namun dibatasi pada dataset di luar set evaluasi GIFT‑Eval; dan sekitar 500.000 urutan CauKer sintetis, masing‑masing dengan panjang 4.096. Kartu model mencatat bahwa dataset CauKer dihasilkan oleh tim FlowState milik IBM, dan merujuk pada makalah arXiv 2026 “Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models” untuk pendekatan dasarnya.

Pengguna dapat memilih antara lisensi Apache 2.0 atau OpenMDW 1.0, sebuah kerangka lisensi Linux Foundation yang dirancang untuk model AI dan materi terkait. IBM menyatakan bahwa kedua lisensi memberikan hak yang luas dan permisif untuk menggunakan, memodifikasi, dan mendistribusikan model, serta bertujuan mengurangi hambatan adopsi. Sebuah pengungkapan pada kartu model menyatakan bahwa pengembang IBM menghasilkan kode tersebut sebagai proyek open‑source, bukan produk IBM, dan bahwa IBM tidak berkewajiban menyediakan peningkatan, pembaruan, atau dukungan.

Ketersediaan dan Konteks Keluarga Granite

Bobot dapat diunduh dari Hugging Face Hub dan dimuat melalui paket granite‑tsfm, versi 0.3.9 atau lebih baru, melalui pipeline API. Kode contoh IBM menghasilkan perkiraan, termasuk kuantil yang diminta, dari 512 sampel terakhir sebuah seri ETTh1, dan IBM menempatkan model ini untuk permintaan, harga, beban energi, lalu lintas, telemetri, serta deret waktu lain yang diambil secara reguler.

Untuk penyebaran streaming, IBM dan Confluent telah menyediakan beberapa model Granite Time Series (PatchTST-FM-r1, FlowState-r1.1, TTM-r3, dan TSPulse) melalui program Early Access di Confluent Cloud, yang menjalankan inferensi model fondasi pada aliran langsung melalui Apache Flink.

Sebuah tinjauan IBM Research tentang keluarga model ini mendokumentasikan garis keturunan di balik rilis: TST pada 2021, sebagai salah satu model berbasis transformer pertama yang diterapkan pada data deret waktu; PatchTST pada 2023, yang memperkenalkan patching dan independensi kanal; Tiny Time Mixer pada 2024; dan FlowState pada 2025. Menurut tinjauan tersebut, model‑model tersebut secara kolektif telah dilatih pada lebih dari 100 miliar titik data, dan model TTM telah melampaui 37 juta unduhan di Hugging Face. PatchTST-FM-r1, pendahulu langsung model baru ini, dikembangkan bersama Rensselaer Polytechnic Institute, dan model versi riset IBM menggunakan lisensi non‑komersial sementara lini Granite dipublikasikan di bawah Apache 2.0.