IBM与Confluent宣布Granite时序基础模型在Confluent Cloud上提供Early Access，用户可直接通过Flink SQL对实时数据流调用预测与异常检测功能，无需单独搭建ML基础设施。
AI解读：IBM和Confluent把时序基础模型搬进了数据流平台，让预测和异常检测不用再把数据抽出来单独建模。过去，企业通常只给少数关键序列做定制模型，其余靠安全库存和余量兜底，成本高且反应滞后。现在，基于在大规模信号上预训练的模型，需求计划员、欺诈分析师或工艺工程师可以直接在Confluent Cloud上用Flink SQL对实时数据流做预测和异常检测，不需要数据科学团队。模型已在Confluent Cloud上开放Early Access，支持AWS，Confluent Platform版本随后推出，面向本地和混合环境。四个模型（PatchTST-FM、FlowState、TTM、TSPulse）覆盖不同场景，可通过SQL参数切换，无需改变管道设计。IBM称其内部及设计伙伴（水泥、钢铁、食品等行业）测试中生产力提升达 5 至 10 倍。早期访问免费，但尚不清楚正式商业化的定价；对大多数开发者而言，无需立即行动，但可以关注Early Access申请，以便在自身流数据上验证效果。
IBM与Confluent宣布IBM Granite时序基础模型（Time Series Foundation Models, TSFM）已在Confluent Cloud上开放Early Access，用户可直接在Apache Flink环境中通过SQL函数对实时数据流执行预测和异常检测，无需单独搭建ML基础设施或管理GPU。
该联合方案由Hugging Face Blog上的IBM Research博客文章披露（仅依据摘要，未阅读全文）。
模型组合与调用方式
文章描述了一个由四个互补时序基础模型组成的组合，均通过Confluent现有的Flink SQL函数AI_FORECAST和AI_DETECT_ANOMALIES调用，用户只需更改SQL参数中的 'model' 值即可切换模型，无需重新设计管道。
四个模型分别是：PatchTST-FM（处理多变量序列，返回完整分布，适合规划场景），FlowState（适合不同采样率数据，如秒级SCADA和小时级市场数据），TTM（轻量级模型，可在CPU上夜间覆盖数十万序列），以及TSPulse（用于异常检测、分类、填补缺失和相似性搜索的多任务模型）。
文章强调“小模型是有意决策”，支持在Confluent Cloud内部推理或在自有CPU上运行开源权重，以降低成本和架构复杂度。
主要应用场景
文章指出价值主要体现在四个场景：预测与规划（如为杂货零售商全目录SKU预测，支持分布输出以设定库存策略），异常检测（如银行卡交易在途评分，欺诈模式可迁移至新场景），生产优化（如洗发水工厂混合线，以操作员可控变量作为条件进行模拟和优化），以及语义智能（通过嵌入向量检索相似历史事件，提供先例而非仅给分数）。
文章举例，巧克力工厂生产线每分钟采样温度、速度和吞吐量，使用模型可预测傍晚班次产量、识别漂移并匹配历史相似情况。此外，在Confluent平台上推理结果写入Kafka主题，可供告警系统、仪表板、湖仓和AI代理消费。
平台集成与限制
文章说明推理在Confluent Cloud内部运行，数据不离开平台，具备零配置（Confluent管理模型服务）、内置治理与可追溯性（符合现有schema、血缘和访问控制）、无云进出流量费用等特性。
访问目前面向Confluent Cloud的AWS用户开放；Confluent Platform版本随后推出，可将相同模型扩展到本地和混合云环境。早期访问免费，但未披露正式版本时间表和商业化定价。