NVIDIA anuncia o modelo aberto Kumo Forecast para previsão de séries temporais multivariadas

A NVIDIA anunciou o Kumo Forecast em 21 de outubro de 2026: um modelo aberto de previsão de séries temporais multivariadas que combina uma arquitetura Transformer MOMENT-1-large pré-treinada com recuperação opcional de dados históricos e uma estrutura de interpretabilidade independente do modelo. O modelo, anteriormente conhecido como NV-Tesseract Forecasting, está disponível sob a licença Apache 2.0, e a NVIDIA o detalhou em uma publicação oficial no blog da Hugging Face.

A publicação foi escrita por Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz e Viraj P Modak, da NVIDIA. O código do modelo é distribuído pelo repositório NVIDIA/Kumo-TS no GitHub, uma biblioteca de código aberto para séries temporais que também abriga o pacote Kumo-Anomaly, baseado em difusão. Já os pesos pré-treinados são disponibilizados por meio do cartão do modelo nvidia/Kumo-Forecast na Hugging Face. O cartão informa a data de lançamento na Hugging Face como 04/07/2026, a implantação global e o caso de uso declarado: empresas, organizações e centros de pesquisa que realizam previsões de horizontes longos ou curtos com dados temporais.

Arquitetura pré-treinada e previsão direta

O Kumo Forecast usa o codificador Transformer MOMENT-1-large como arquitetura-base, com um codificador-base de aproximadamente 340 milhões de parâmetros e uma camada de previsão treinável. Os pesos do codificador e do módulo de embeddings permanecem congelados durante o treinamento; apenas a camada de previsão é treinada, separando o modelo de representação pré-treinado da camada de previsão específica para a tarefa. Na previsão direta, a camada mapeia as representações do modelo para valores futuros no horizonte solicitado. Para horizontes que ultrapassam a capacidade nativa do modelo, a biblioteca oferece uma extensão autorregressiva que amplia as previsões recursivamente.

A biblioteca oferece uma API que prioriza o DataFrame, com horizontes de previsão configuráveis e contexto histórico opcional para recuperação. As entradas devem consistir em dados temporais numéricos, com uma coluna de data e hora e uma ou mais colunas de valores numéricos, fornecidos como um DataFrame do pandas ou em CSV/JSON. Os comprimentos de sequência de entrada aceitos são 256, 512, 1024 e 2048 observações. As saídas são DataFrames do pandas que contêm as datas e horas e os valores previstos para o horizonte de previsão especificado.

Recuperação DARR e interpretabilidade

Além da previsão direta, o Kumo Forecast inclui o Domain-Aware Representation and Retrieval (DARR), um modo aprimorado por contexto que complementa as previsões com recuperação por k vizinhos mais próximos a partir de dados históricos. O SDK recebe esse histórico por meio de um argumento separado, context_df, distinguindo a janela de entrada do modelo, que fornece observações recentes, do contexto de recuperação, que fornece padrões adicionais. Os desenvolvedores podem ajustar, nas opções de configuração da biblioteca, o peso de cada abordagem na previsão final. A NVIDIA aponta como limitação que as dimensões do contexto de recuperação devem ser semelhantes às do contexto da entrada.

O exemplo de DARR do repositório define um alfa de 0,2 — descrito em um comentário do código como 20% de previsão direta e 80% de recuperação por kNN —, além de um k igual a 64 e uma temperatura de 0,05. Para mais detalhes sobre o modo, a NVIDIA recomenda aos desenvolvedores o artigo Previsão aumentada por memória: escalabilidade e generalização entre domínios temporais, que a lista de referências do repositório inclui nos anais da Conferência Internacional IEEE sobre Big Data de 2025.

A estrutura de interpretabilidade é independente do modelo e funciona sem modificar o previsor subjacente. Quando ativada, gera um conjunto de explicações com atribuições de defasagens e atributos para cada horizonte de previsão, diagnósticos de fluxo semântico e de estabilidade de trajetória e, opcionalmente, Gradientes Integrados de embeddings. Ao definir interpretability=True no SDK, o conjunto é salvo junto com a previsão como arquivos JSON e CSV, além de um relatório em PDF.

A estrutura segue o preprint NVExplain: explicando a previsão de séries temporais com análise de trajetória latente e modelos substitutos que preservam a estrutura, de Muyan Anna Li, Manikandan Ravikiran e Aditi Gautam, submetido ao arXiv em 25 de agosto de 2026. O artigo modela a previsão como uma trajetória latente, introduz o fluxo semântico para quantificar como as informações evoluem ao longo do tempo nas representações internas de um modelo, agrega esse fluxo em uma matriz de atribuição de defasagem e horizonte e aplica perturbações que preservam a estrutura, junto com modelos substitutos locais esparsos, para gerar explicações compreensíveis. Os autores relatam que a variante de fluxo semântico alcança fidelidade competitiva ou superior à de métodos de referência pós-hoc padrão, com eficiência computacional substancialmente maior, e que a análise de estabilidade identifica situações em que a interpretação deve ser aplicada com cautela.

Dados de treinamento, requisitos de execução e integrações

De acordo com a ficha do modelo, o treinamento usou 3 milhões de pontos de dados, com uma divisão de 80/20 para cada conjunto de dados. O processo começou pelo Monash Time Series Forecasting Archive, descrito como uma coleção diversificada de 30 conjuntos de dados principais, que inclui variações com valores ausentes. Os conjuntos de dados de avaliação listados na ficha são: ECL, dados de consumo de eletricidade de 370 clientes, registrados a cada 15 minutos entre 2011 e 2014; Traffic, taxas de ocupação das vias medidas por sensores nas rodovias da região da Baía de São Francisco; ETTh, temperatura do óleo de transformadores elétricos e seis características de carga elétrica coletadas de hora em hora ao longo de dois anos; e ILI, dados semanais dos Centros de Controle e Prevenção de Doenças dos EUA que descrevem a proporção de pacientes com sintomas semelhantes aos da gripe em relação ao total de pacientes. A ficha também cita como referências os artigos MOMENT, TimeRAF e Beyond MAE, sobre erros de dependência temporal.

O Kumo-Forecast é executado no PyTorch, com suporte às microarquiteturas NVIDIA Ampere e Hopper no Linux, e a ficha do modelo informa que foram realizados testes de inferência em sistemas A100 e H100, cada um com oito GPUs. O repositório especifica Python 3.10 ou posterior, PyTorch 2.7 ou posterior, pandas e numpy para o Kumo-Forecast; recomenda o uso de uma GPU, com fallback automático para a CPU; e baixa automaticamente os pesos pré-treinados do Hugging Face. A ficha do modelo afirma que os modelos foram projetados e otimizados para sistemas acelerados por GPUs NVIDIA e que sua integração a sistemas de IA exige testes adicionais específicos para cada caso de uso, seguindo a metodologia do modelo V.

Para avaliar o modelo em aplicações específicas, a NVIDIA recomenda comparar as configurações direta e aprimorada por recuperação usando as mesmas janelas de previsão mantidas fora do conjunto de treinamento, além de validar a qualidade das previsões nos horizontes e nas condições operacionais pretendidos. O repositório Kumo-TS também oferece um exemplo de ajuste fino do Kumo-Forecast com um arquivo CSV fornecido pelo usuário, disponibilizando aos desenvolvedores tanto um fluxo de trabalho de inferência com o modelo pré-treinado quanto um ponto de partida documentado para adaptá-lo aos próprios dados. Para a implantação, o Factory Operations Blueprint inclui acesso antecipado a um módulo de manutenção preditiva que usa o Kumo Anomaly e o Kumo Forecast para analisar dados em tempo real e prever anomalias futuras. A publicação da NVIDIA também traz um link para uma sessão da GTC San Jose 2026 sobre integração à plataforma.