NVIDIA công bố mô hình chuỗi thời gian đa biến Kumo Forecast mã nguồn mở

Ngày 21 tháng 10 năm 2026, NVIDIA công bố Kumo Forecast, một mô hình dự báo chuỗi thời gian đa biến mã nguồn mở, kết hợp bộ khung Transformer MOMENT-1-large đã tiền huấn luyện với khả năng truy xuất tùy chọn trên dữ liệu lịch sử và một khung diễn giải không phụ thuộc vào mô hình. Mô hình này, trước đây có tên là NV-Tesseract Forecasting, được cung cấp theo giấy phép Apache 2.0; NVIDIA giới thiệu chi tiết về mô hình trong bài đăng chính thức trên blog Hugging Face.

Bài đăng do Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz và Viraj P Modak của NVIDIA chấp bút. Mã mô hình được phân phối qua kho lưu trữ GitHub NVIDIA/Kumo-TS, một thư viện chuỗi thời gian mã nguồn mở cũng lưu trữ gói Kumo-Anomaly dựa trên khuếch tán; trong khi đó, các trọng số đã tiền huấn luyện được cung cấp qua thẻ mô hình nvidia/Kumo-Forecast trên Hugging Face. Thẻ này ghi ngày phát hành trên Hugging Face là 04/07/2026, phạm vi triển khai toàn cầu và trường hợp sử dụng được nêu là dành cho các công ty, tổ chức và trung tâm nghiên cứu thực hiện dự báo trên dữ liệu chuỗi thời gian với chân trời dài hoặc ngắn.

Bộ khung tiền huấn luyện và dự báo trực tiếp

Kumo Forecast sử dụng bộ mã hóa Transformer MOMENT-1-large làm bộ khung, gồm bộ mã hóa nền tảng có khoảng 340 triệu tham số cùng một đầu dự báo có thể huấn luyện. Trong quá trình huấn luyện, trọng số của bộ mã hóa và bộ nhúng được giữ cố định, còn chỉ đầu dự báo được huấn luyện; nhờ đó, mô hình biểu diễn đã tiền huấn luyện được tách biệt với lớp dự đoán dành riêng cho tác vụ. Trong quy trình dự báo trực tiếp, đầu dự báo ánh xạ các biểu diễn của mô hình thành giá trị tương lai cho chân trời được yêu cầu; với những chân trời vượt quá khả năng vốn có của mô hình, thư viện hỗ trợ mở rộng tự hồi quy, trong đó các dự đoán được mở rộng đệ quy.

Thư viện cung cấp API ưu tiên DataFrame, với chân trời dự báo có thể cấu hình và ngữ cảnh lịch sử tùy chọn để truy xuất. Đầu vào phải là dữ liệu chuỗi thời gian dạng số, gồm một cột dấu thời gian và ít nhất một cột giá trị dạng số; dữ liệu được cung cấp dưới dạng pandas DataFrame hoặc CSV/JSON. Độ dài chuỗi đầu vào được hỗ trợ là 256, 512, 1024 và 2048 quan sát. Đầu ra là pandas DataFrame chứa dấu thời gian và các giá trị dự đoán cho chân trời dự báo được chỉ định.

Truy xuất DARR và khả năng diễn giải

Ngoài dự báo trực tiếp, Kumo Forecast còn có Biểu diễn và Truy xuất Nhận biết Miền (DARR), một chế độ tăng cường ngữ cảnh, bổ sung cho các dự đoán khả năng truy xuất dữ liệu lịch sử bằng thuật toán láng giềng gần nhất k. SDK nhận dữ liệu lịch sử này thông qua đối số context_df riêng, qua đó phân biệt cửa sổ đầu vào của mô hình—cung cấp các quan sát gần đây—với ngữ cảnh truy xuất—cung cấp các mẫu bổ sung. Nhà phát triển có thể điều chỉnh mức độ phụ thuộc của dự đoán cuối cùng vào từng nhánh thông qua các tùy chọn cấu hình của thư viện. NVIDIA nêu một hạn chế là số chiều của ngữ cảnh truy xuất phải tương tự số chiều của ngữ cảnh đầu vào.

Ví dụ DARR trong kho lưu trữ đặt alpha ở mức 0.2; theo chú thích trong mã, con số này tương ứng với 20% dự báo trực tiếp và 80% truy xuất kNN, đồng thời đặt k ở mức 64 và nhiệt độ ở mức 0.05. Để tìm hiểu thêm về chế độ này, NVIDIA dẫn các nhà phát triển đến bài báo Dự báo tăng cường bằng bộ nhớ: Khả năng mở rộng và khái quát hóa trên các miền thời gian, được danh mục tài liệu tham khảo của kho lưu trữ ghi nhận là nằm trong kỷ yếu Hội nghị Quốc tế IEEE về Dữ liệu lớn năm 2025.

Khung diễn giải không phụ thuộc vào mô hình và hoạt động mà không cần sửa đổi mô hình dự báo nền tảng. Khi được bật, khung này tạo ra một gói giải thích gồm các mức đóng góp của độ trễ và đặc trưng cho từng chân trời dự báo, chẩn đoán luồng ngữ nghĩa, chẩn đoán độ ổn định quỹ đạo và tùy chọn phương pháp Integrated Gradients trên embedding. Khi truyền interpretability=True trong SDK, gói giải thích được lưu cùng với kết quả dự báo dưới dạng các tệp JSON và CSV, kèm theo báo cáo PDF.

Khung này dựa trên bản tiền xuất bản NVExplain: Giải thích dự báo chuỗi thời gian bằng phân tích quỹ đạo tiềm ẩn và các mô hình thay thế bảo toàn cấu trúc của Muyan Anna Li, Manikandan Ravikiran và Aditi Gautam, được gửi lên arXiv ngày 25 tháng 8 năm 2026. Bài báo mô hình hóa hoạt động dự báo như một quỹ đạo tiềm ẩn, giới thiệu luồng ngữ nghĩa để định lượng cách thông tin biến đổi theo thời gian trong các biểu diễn nội bộ của mô hình, tổng hợp luồng đó thành ma trận đóng góp độ trễ–chân trời, đồng thời áp dụng các phép biến đổi nhiễu bảo toàn cấu trúc cùng các mô hình thay thế cục bộ thưa để tạo ra lời giải thích dễ hiểu đối với con người. Các tác giả cho biết biến thể luồng ngữ nghĩa đạt độ trung thực tương đương hoặc cao hơn so với các phương pháp cơ sở hậu nghiệm tiêu chuẩn, đồng thời tiết kiệm đáng kể chi phí tính toán; phân tích độ ổn định của họ cũng xác định những chế độ mà việc diễn giải cần được áp dụng thận trọng.

Dữ liệu huấn luyện, yêu cầu thời gian chạy và khả năng tích hợp

Theo thẻ mô hình, quá trình huấn luyện sử dụng 3 triệu điểm dữ liệu, với tỷ lệ chia 80/20 cho mỗi bộ dữ liệu, bắt đầu từ Monash Time Series Forecasting Archive, được mô tả là bộ sưu tập đa dạng gồm 30 bộ dữ liệu chính, trong đó có các biến thể chứa giá trị bị thiếu. Các bộ dữ liệu đánh giá được liệt kê trong thẻ gồm ECL, dữ liệu tiêu thụ điện của 370 khách hàng được ghi nhận mỗi 15 phút từ năm 2011 đến năm 2014; Traffic, tỷ lệ chiếm dụng mặt đường được đo bằng cảm biến trên các tuyến xa lộ ở khu vực Vịnh San Francisco; ETTh, nhiệt độ dầu trong máy biến áp điện và sáu đặc trưng về phụ tải điện được thu thập hàng giờ trong 2 năm; và ILI, dữ liệu hằng tuần của Trung tâm Kiểm soát Dịch bệnh Hoa Kỳ, mô tả tỷ lệ bệnh nhân có triệu chứng giống cúm trên tổng số bệnh nhân. Thẻ mô hình cũng dẫn các bài nghiên cứu về sai số phụ thuộc thời gian MOMENT, TimeRAF và Beyond MAE làm tài liệu tham khảo.

Kumo-Forecast chạy trên PyTorch, hỗ trợ các vi kiến trúc NVIDIA Ampere và Hopper trên Linux; thẻ mô hình cho biết đã thử nghiệm suy luận trên các hệ thống A100 và H100, mỗi hệ thống có tám GPU. Kho mã nguồn nêu rõ Kumo-Forecast cần Python 3.10 trở lên, PyTorch 2.7 trở lên, pandas và numpy; khuyến nghị sử dụng GPU, đồng thời tự động chuyển sang CPU nếu không có GPU, và tự tải các trọng số đã huấn luyện trước từ Hugging Face. Thẻ mô hình cho biết các mô hình được thiết kế và tối ưu hóa cho những hệ thống tăng tốc bằng GPU của NVIDIA, đồng thời việc tích hợp vào các hệ thống AI cần được thử nghiệm bổ sung theo từng trường hợp sử dụng, dựa trên phương pháp V-model.

Để đánh giá theo từng ứng dụng cụ thể, NVIDIA khuyến nghị so sánh cấu hình trực tiếp với cấu hình tăng cường bằng truy xuất trên cùng các khoảng thời gian dự báo được giữ lại để kiểm thử, đồng thời xác thực chất lượng dự báo trên các khoảng thời gian dự báo và điều kiện vận hành dự kiến. Kho mã nguồn Kumo-TS còn cung cấp ví dụ về cách tinh chỉnh Kumo-Forecast trên tệp CSV do người dùng cung cấp, qua đó mang đến cho nhà phát triển cả quy trình suy luận bằng mô hình đã huấn luyện trước lẫn điểm khởi đầu có tài liệu hướng dẫn để điều chỉnh mô hình theo dữ liệu riêng. Về triển khai, Factory Operations Blueprint cung cấp quyền Truy cập sớm vào mô-đun Bảo trì dự đoán, sử dụng Kumo Anomaly và Kumo Forecast để phân tích dữ liệu thời gian thực và dự đoán các bất thường trong tương lai; bài đăng của NVIDIA cũng liên kết đến một phiên tại GTC San Jose 2026 về tích hợp nền tảng.