IBM发布Granite Time Series PatchTST-FM-r2时序基础模型，宽松许可下GIFT-Eval零样本表现最佳
约3.85亿参数，支持最长8192步上下文与99分位数概率预测；在GIFT-Eval可复现零样本模型中综合排名第二，许可模型排名第一。
AI解读：IBM新发布的时序基础模型PatchTST-FM-r2，核心卖点是不用针对每个数据集单独训练，拿预训练权重直接做零样本预测就能有不错的准确率。它在GIFT-Eval基准上比多数同类模型好，而且是开源许可里成绩最好的。
对开发者来说，最大的实际变化是部署门槛低了。模型约3.85亿参数，支持最长8192步的上下文，可以输出99个分位数的概率区间，还内置了缺失值填补能力。这些功能直接关系到预测的可靠性——比如做库存、电价或流量预测时，不光要一个点估计，更想知道波动范围。
相比之下，排名更高的TimesFM-3等模型没采用宽松商业许可，企业商用会有法律风险。IBM提供Apache 2.0和OpenMDW 1.0双许可，选择任一即可商用。训练数据的来源也写清楚了，包括GIFT-Eval的预训练子集、合成数据和TSMixup语料，方便企业做合规审查。
不过零样本分数高不代表万能，实际使用时仍需在自有数据上验证。一个值得注意的细节是，IBM没有声称完全排除数据泄漏，只说明基准测试是按零样本且无测试泄漏的方式评估的。对于真正要上生产的人，先在内部数据上跑一遍，对比现有方案的成本和提升，比直接替换更稳妥。
IBM Research于2026年9月8日发布Granite Time Series PatchTST-FM-r2，这是Granite TSFM系列的最新时序基础模型。该模型约3.85亿参数，支持最长8,192步的上下文、灵活的预测长度，并带有99分位数预测头以输出概率预测。据IBM Research在Hugging Face博客的介绍，截至2026年9月8日，在GIFT-Eval基准的可复现、零样本模型类别中，该模型综合表现排名第二，并在使用宽松商业友好许可（Apache 2.0或OpenMDW 1.0，用户可任选其一）的模型中排名第一。
GIFT-Eval基准成绩
GIFT-Eval是评估不同预测场景的综合时序基准。在限定为零样本、可复现且评估无测试泄漏的模型中，PatchTST-FM-r2的几何平均CRPS为0.467，紧跟TimesFM-3之后，位居第二；几何平均MASE为0.6846，同样排第二（两项指标均越低越好）。在采用宽松许可的同类模型中，它排名最高。
即使与允许在预训练语料中加入GIFT-Eval评测集训练数据的预训练模型（而非严格零样本）相比，模型仍保持领先：在可复现模型中CRPS排第三、MASE排第四，超过了Chronos-2、Timer-S1和Toto等多个变体——尽管其中一些竞争模型规模明显更大。
架构与训练数据
相比上一代PatchTST-FM-r1，r2保留了基于分块的表示，但将内部结构从标准Transformer层改为conformer层——这种结构源自语音处理，其块内两个半步前馈层夹着多头自注意力与时间卷积层。自注意力负责建模分块间的长程关系，卷积则提供对局部时间结构的归纳偏置，从而让注意力更多投向远距离。博客展示的注意力图显示，Transformer版本的注意力主要集中在对角线附近（局部），而conformer版本更多关注远离对角线的距离。backbone中的卷积核大小按{5, 5, 3, 3}模式交替使用3和5。
此外，r2使用50%重叠的分块并结合Hamming窗加权与overlap-and-add预测，以平滑分块边界、提高准确率；层数从20层扩展至30层，并加入归一化以增强稳定性。训练语料包含四个来源：GIFT-Eval预训练数据集中的部分数据集；基于KernelSynth、使用修改周期核和有限数据增强的自定义合成数据；按Chronos方法生成的TSMixup语料（但限制为GIFT-Eval评测集之外的数据）；以及约50万条长度4,096的CauKer合成序列。
- 模型权重、架构、推理管道和复现基准结果的代码均已公开
- 架构实现可通过Granite-TSFM仓库获取，且向后兼容PatchTST-FM-r1的检查点
许可与使用方式
PatchTST-FM-r2采用Apache 2.0和OpenMDW 1.0双许可，用户可任选其一。两种许可均允许广泛的使用、修改和分发，其中Linux基金会的OpenMDW提供专门面向AI模型及相关材料的许可框架。IBM Research称，此举意在降低采用门槛，让组织、研究者和开发者能够放心使用。
使用上，安装granite-tsfm包（版本不低于0.3.9）后，可从Hugging Face Hub直接加载模型。例如在代码中通过PatchTSTFMForPrediction.from_pretrained("ibm-granite/granite-timeseries-patchtst-fm-r2")调用，并配合TimeSeriesForecastingPipeline实现零样本预测——无须针对任务微调或专门拟合模型，输入最近的历史数据即可生成预测，包括所需的分位数。
IBM同时宣布与Confluent合作，通过Confluent Cloud的Early Access项目提供多款Granite Time Series模型，包括PatchTST-FM-r1、FlowState-r1.1、TTM-r3和TSPulse。该集成将基础模型推理直接带入流式应用，通过Apache Flink在Confluent Cloud上从实时流生成预测和异常检测结果，避免将数据移到单独的机器学习环境。