IBM brengt Granite PatchTST-FM-R2 zero-shot tijdreeksmodel uit

IBM heeft op 9 september 2026 Granite Time Series PatchTST-FM-r2 uitgebracht, een model voor tijdreeksvoorspelling zonder fine‑tuning met ongeveer 385 miljoen parameters, dat dubbel gelicentieerd is onder Apache 2.0 en OpenMDW 1.0 van de Linux Foundation. De modelgewichten, architectuur, inferentie‑pipeline en de code die nodig is om de benchmarkresultaten te reproduceren, zijn allemaal openlijk gepubliceerd bij de release.

IBM kondigde het model aan in een Hugging Face‑blogpost van IBM Research‑auteurs, waarin het werd gepresenteerd als de opvolger van PatchTST-FM-r1 en het nieuwste model in de Granite‑tijdreeks‑foundation‑modelfamilie. Volgens de aankondiging combineert PatchTST-FM-r2 een bijgewerkte architectuur, een grotere pre‑training‑corpus, probabilistische voorspellingen en ondersteuning voor imputatie van ontbrekende waarden, en genereert het voorspellingen voor nieuwe gegevens zonder fine‑tuning of taak‑specifieke aanpassing.

Gerapporteerde GIFT‑Eval‑rangschikkingen

GIFT‑Eval is een uitgebreide benchmark voor het evalueren van voorspellingsmodellen over diverse datasets en scenario’s, en lagere waarden zijn beter voor zowel CRPS als MASE, de twee door IBM gerapporteerde meetwaarden. IBM meldde dat PatchTST-FM-r2 per 8 september 2026 op de tweede plaats staat onder reproduceerbare zero‑shot‑modellen voor beide meetwaarden, en het is het best presterende model in die categorie onder modellen die onder permissieve, commercieel vriendelijke licenties zijn uitgebracht. De aankondiging meldt een geometrisch gemiddelde CRPS van 0,467, direct achter TimesFM‑3, en een geometrisch gemiddelde MASE van 0,6846.

Sommige modellen in GIFT‑Eval worden geclassificeerd als voorgetraind in plaats van strikt zero‑shot, wat betekent dat ze de trainingsdelen van de benchmark‑evaluatiedatasets mogen opnemen in hun pre‑training‑corpora. IBM stelde dat zelfs wanneer die modellen aan de vergelijking worden toegevoegd, PatchTST-FM-r2 derde plaats behaalt voor CRPS en vierde plaats voor MASE onder reproduceerbare modellen, en voorloopt op de voorgetrainde Chronos‑2, Timer‑S1 en Toto‑varianten, waarvan sommige aanzienlijk groter zijn.

De modelcard, opgesteld door Jiri Navratil, Wesley M. Gifford, Yunshi Wen, Chandra K. Reddy en Agung Julius, dateert de tweede plaats voor reproduceerbare zero‑shot‑modellen op 31 augustus 2026, en merkt op dat de resultaten van het model zich bevinden in een in behandeling zijnde pull‑request die is ingediend bij de GIFT‑Eval‑benchmark; de aankondiging dateert dezelfde positie op 8 september 2026.

Conformer‑architectuur

PatchTST-FM-r2 behoudt de op patches gebaseerde representatie van zijn voorganger, maar vervangt standaard transformer‑blokken door conformer‑blokken, een ontwerp dat zijn oorsprong vindt in spraakverwerking. Elk blok bevat twee half‑step feed‑forward‑lagen rond multi‑head self‑attention en een temporele convolutielaag, met afwisselende convolutiekernformaten van 3 en 5 in een herhalend {5, 5, 3, 3} patroon. IBM stelde dat het convolutie‑component korte‑range temporele structuren vastlegt, waardoor het attentiemechanisme zich kan concentreren op lange‑range relaties tussen patches.

Het model gebruikt patches met 50 % overlap — patch‑lengte 16, stride 8 — met Hamming‑window‑weging tijdens het trainen en overlap‑and‑add‑voorspelling bij inferentie, plus een pre‑head layer‑norm voor stabiliteit tijdens het trainen. Het heeft een verborgen dimensie van 1024 en 30 blokken, tegenover 20 in r1, ondersteunt contextlengtes tot 8.192 stappen, en voorspelt 99 kwantielen over flexibele voorspellingslengtes, waardoor zowel puntvoorspellingen als onzekerheidsintervallen worden gegenereerd. De implementatie is beschikbaar in de open‑source granite‑tsfm‑repository en blijft achterwaarts compatibel met PatchTST‑FM‑r1‑checkpoints.

Trainingsdata en licentiëring

De gedocumenteerde pre‑training‑corpus heeft vier bronnen: geselecteerde datasets van GiftEvalPretrain; aangepaste synthetische data gebaseerd op KernelSynth met gewijzigde periodieke kernels en beperkte augmentatie; een TSMixup‑corpus gegenereerd met de aanpak beschreven in het Chronos‑paper, maar beperkt tot datasets buiten de GIFT‑Eval‑evaluatieset; en ongeveer 500.000 synthetische CauKer‑reeksen, elk met een lengte van 4.096. De modelcard vermeldt dat de CauKer‑dataset is gegenereerd door het FlowState‑team van IBM, en citeert het arXiv‑paper uit 2026 “Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models” voor de onderliggende aanpak.

Gebruikers kunnen kiezen tussen de Apache 2.0‑licentie of OpenMDW 1.0, een licentiekader van de Linux Foundation ontworpen voor AI‑modellen en gerelateerd materiaal. IBM stelde dat beide licenties brede, permissieve rechten verlenen om het model te gebruiken, te wijzigen en te distribueren, en dat ze beogen de adoptiedrempels te verlagen. Een verklaring op de modelcard geeft aan dat IBM‑ontwikkelaars de code hebben geproduceerd als een open‑source‑project in plaats van een IBM‑product, en dat IBM niet verplicht is om verbeteringen, updates of ondersteuning te leveren.

Beschikbaarheid en context van de Granite‑familie

De gewichten zijn te downloaden van de Hugging Face Hub en kunnen worden geladen via het granite‑tsfm‑pakket, versie 0.3.9 of hoger, via een pipeline‑API. De voorbeeldcode van IBM genereert een voorspelling, inclusief de gevraagde kwantielen, uit de laatste 512 monsters van een ETTh1‑reeks, en IBM positioneert het model voor vraag, prijzen, energielasten, verkeer, telemetrie en andere regelmatig bemonsterde tijdreeksen.

Voor streaming‑implementaties hebben IBM en Confluent verschillende Granite Time Series‑modellen (PatchTST-FM-r1, FlowState-r1.1, TTM-r3 en TSPulse) beschikbaar gesteld via een Early‑Access‑programma in Confluent Cloud, dat foundation‑model‑inference op live‑streams uitvoert via Apache Flink.

Een IBM Research‑overzicht van de familie documenteert de afstamming achter de release: TST in 2021, een van de eerste transformer‑gebaseerde modellen toegepast op tijdreeksdata; PatchTST in 2023, dat patchen en kanaalonafhankelijkheid introduceerde; Tiny Time Mixer in 2024; en FlowState in 2025. Volgens dat overzicht zijn de modellen gezamenlijk getraind op meer dan 100 miljard datapunten, en hebben TTM‑modellen meer dan 37 miljoen downloads op Hugging Face behaald. PatchTST‑FM‑r1, de directe voorganger van het nieuwe model, werd mede‑ontwikkeld met het Rensselaer Polytechnic Institute, en de onderzoeksversion‑modellen van IBM hebben een niet‑commerciële licentie, terwijl de Granite‑lijn wordt gepubliceerd onder Apache 2.0.