NVIDIA анонсувала відкриту багатовимірну модель прогнозування часових рядів Kumo Forecast

21 жовтня 2026 року NVIDIA анонсувала Kumo Forecast — відкриту модель прогнозування багатовимірних часових рядів, яка поєднує попередньо навчену архітектуру Transformer на основі MOMENT-1-large з можливістю пошуку за історичними даними та незалежним від моделі фреймворком інтерпретованості. Модель, раніше відома як NV-Tesseract Forecasting, доступна за ліцензією Apache 2.0; NVIDIA докладно розповіла про неї в офіційній публікації в блозі Hugging Face.

Публікацію підготували Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz і Viraj P Modak із NVIDIA. Код моделі поширюється через репозиторій NVIDIA/Kumo-TS на GitHub — бібліотеку часових рядів із відкритим вихідним кодом, у якій також розміщено пакет Kumo-Anomaly, заснований на дифузійній моделі. Попередньо навчені ваги доступні через картку моделі nvidia/Kumo-Forecast на Hugging Face. У картці зазначено дату випуску на Hugging Face — 04/07/2026, глобальне розгортання та призначення моделі: прогнозування на короткий або довгий горизонт за часовими даними для компаній, організацій і дослідницьких центрів.

Попередньо навчена базова модель і безпосереднє прогнозування

Kumo Forecast використовує кодер Transformer MOMENT-1-large як базову модель: він містить базовий кодер приблизно з 340 мільйонами параметрів і навчувану голову прогнозування. Під час навчання ваги кодера й вбудовувача залишаються незмінними, навчається лише голова прогнозування. Так попередньо навчена модель представлень відокремлюється від рівня прогнозування, призначеного для конкретного завдання. Під час безпосереднього прогнозування голова перетворює представлення моделі на майбутні значення для заданого горизонту; якщо горизонт перевищує природні можливості моделі, бібліотека підтримує авторегресійне подовження, яке рекурсивно розширює прогнози.

Бібліотека надає API, орієнтований насамперед на DataFrame, із налаштовуваними горизонтами прогнозування та можливістю передавати історичні дані для пошуку. Вхідні дані мають бути числовими часовими рядами зі стовпцем часових позначок і одним або кількома стовпцями числових значень. Їх можна передавати як pandas DataFrame або у форматі CSV/JSON; підтримуються послідовності завдовжки 256, 512, 1024 і 2048 спостережень. На виході бібліотека повертає pandas DataFrame із часовими позначками та прогнозованими значеннями для заданого горизонту прогнозування.

Пошук DARR та інтерпретованість

Окрім безпосереднього прогнозування, Kumo Forecast містить режим Domain-Aware Representation and Retrieval (DARR) — пошук із урахуванням предметної області та представлень. Цей режим доповнює прогнози пошуком k найближчих сусідів в історичних даних. SDK приймає ці дані через окремий аргумент context_df, чітко розділяючи вікно вхідних даних моделі, яке містить останні спостереження, і контекст пошуку, який надає додаткові закономірності. Розробники можуть налаштовувати в параметрах бібліотеки, наскільки сильно підсумковий прогноз спирається на кожен із цих шляхів. NVIDIA зазначає таке обмеження: розмірність контексту пошуку має бути подібною до розмірності контексту вхідних даних.

У прикладі DARR із репозиторію значення alpha дорівнює 0,2; у коментарі до коду це пояснюється як 20 відсотків безпосереднього прогнозування та 80 відсотків пошуку kNN. Також задано k зі значенням 64 і температуру 0,05. Щоб дізнатися більше про цей режим, NVIDIA радить розробникам ознайомитися зі статтею «Прогнозування з доповненням пам’яттю: масштабованість і узагальнення в різних часових областях», яку у списку літератури репозиторію віднесено до матеріалів Міжнародної конференції IEEE з великих даних 2025 року.

Фреймворк інтерпретованості не залежить від моделі й працює, не змінюючи базову модель прогнозування. Якщо його ввімкнути, він формує пакет пояснень, що містить атрибуції лагів і ознак для кожного горизонту прогнозування, діагностику семантичного потоку й стабільності траєкторії, а також, за бажанням, інтегровані градієнти для вбудованих представлень. Якщо передати в SDK параметр interpretability=True, пакет буде збережено разом із прогнозом у файлах JSON і CSV та у звіті PDF.

Фреймворк ґрунтується на препринті «NVExplain: пояснення прогнозування часових рядів за допомогою аналізу латентних траєкторій і сурогатних моделей зі збереженням структури», авторами якого є Muyan Anna Li, Manikandan Ravikiran і Aditi Gautam. Препринт надійшов до arXiv 25 серпня 2026 року. У статті прогнозування моделюється як латентна траєкторія; вводиться поняття семантичного потоку, який кількісно описує, як інформація змінюється з часом у внутрішніх представленнях моделі; цей потік зводиться до матриці атрибуцій «лаг — горизонт». Для створення зрозумілих людині пояснень застосовуються збурення зі збереженням структури та розріджені локальні сурогатні моделі. Автори повідомляють, що варіант із семантичним потоком за точністю відображення роботи моделі не поступається стандартним методам постфактум-аналізу або перевершує їх і водночас потребує значно менше обчислювальних ресурсів. За їхніми словами, аналіз стабільності виявляє режими, у яких інтерпретацію слід застосовувати обережно.

Навчальні дані, вимоги до середовища виконання та інтеграції

Згідно з карткою моделі, для навчання використали 3 мільйони точок даних, розподіливши дані в кожному наборі у співвідношенні 80/20. Навчання почали з Monash Time Series Forecasting Archive — різноманітної колекції з 30 основних наборів даних, що містить варіанти з пропущеними значеннями. Перелічені в картці набори даних для оцінювання охоплюють ECL — дані про споживання електроенергії 370 клієнтами, записані кожні 15 хвилин із 2011 до 2014 року; Traffic — показники завантаженості доріг, виміряні датчиками на автомагістралях у районі затоки Сан-Франциско; ETTh — температуру оливи в електричних трансформаторах і шість характеристик навантаження, зібрані щогодини протягом двох років; та ILI — щотижневі дані Центрів США з контролю та профілактики захворювань, що описують співвідношення кількості пацієнтів із грипоподібними симптомами до загальної кількості пацієнтів. У картці також наведено як джерела статті про похибки моделірування часових залежностей MOMENT, TimeRAF і Beyond MAE.

Kumo-Forecast працює на PyTorch і підтримує мікроархітектури NVIDIA Ampere та Hopper у Linux. У картці моделі зазначено, що інференс тестували на системах A100 і H100, кожна з яких має по вісім графічних процесорів. У репозиторії для Kumo-Forecast вказано вимоги: Python версії 3.10 або новішої, PyTorch версії 2.7 або новішої, pandas і numpy. Також рекомендовано використовувати графічний процесор із автоматичним переходом на центральний процесор у разі потреби; попередньо навчені ваги автоматично завантажуються з Hugging Face. У картці моделі зазначено, що моделі розроблено й оптимізовано для систем із прискоренням на графічних процесорах NVIDIA, а інтеграція в системи штучного інтелекту потребує додаткового тестування з урахуванням конкретного сценарію використання та методології V-моделі.

Для оцінювання в конкретному сценарії використання NVIDIA радить порівнювати пряму конфігурацію з конфігурацією, доповненою пошуком, на однакових відкладених вікнах прогнозування, а також перевіряти якість прогнозу для запланованих горизонтів і умов експлуатації. У репозиторії Kumo-TS також наведено приклад донавчання Kumo-Forecast на наданому користувачем CSV-файлі. Це дає розробникам і готовий робочий процес інференсу з попередньо навченою моделлю, і задокументовану відправну точку для адаптації моделі до власних даних. Що стосується розгортання, Factory Operations Blueprint містить модуль прогнозного обслуговування, доступний у ранньому доступі. Він використовує Kumo Anomaly та Kumo Forecast для аналізу даних у реальному часі й прогнозування майбутніх аномалій. У дописі NVIDIA також наведено посилання на сесію GTC San Jose 2026, присвячену інтеграції платформи.