IBM Granite Time Series PatchTST-FM-r2：商用友善零樣本預測模型
IBM 發布的 Granite Time Series PatchTST-FM-r2，是面向需求、能源負載、價格、流量與設備遙測等資料的時間序列基礎模型。它主打不必針對每份資料重新訓練的零樣本預測：輸入近期歷史資料，即可產生未來預測與不確定性區間。模型約 3.85 億參數、最長支援 8,192 個時間步，並以 99 分位數輸出同時涵蓋點預測與機率式預測。^[raw/articles/huggingface-ibm-granite-timeseries-patchtst-fm-r2-2026-09-14.md]
核心亮點：把短期波動與長期關係拆開處理
r2 保留 PatchTST 的分段（patch）表示法，但以 Conformer 區塊取代 r1 的標準 Transformer 區塊。每個區塊把多頭注意力與時間卷積結合：卷積較擅長吸收鄰近時間點的局部模式，注意力則可留給較遠的跨區段關係；這是時間序列中「近期衝擊」與「季節性／長週期」並存時相當合理的分工。模型另採 50% 重疊切片、Hamming 視窗與 overlap-and-add 預測，降低切片接縫造成的跳變，並將骨幹擴增至 30 個區塊。^[raw/articles/huggingface-ibm-granite-timeseries-patchtst-fm-r2-2026-09-14.md]
成績要怎麼讀
IBM 以 GIFT-Eval 比較可重現、零樣本且無測試洩漏的模型；截至 2026-09-08，r2 在該子集的 CRPS 與 MASE 均列第 2，幾何平均分別為 0.467 與 0.6846（兩者皆愈低愈好）。更精確的定位不是「所有模型第一」，而是該比較範圍中表現最高、且採寬鬆商用友善授權的模型；放入可使用基準訓練資料的預訓練模型一起比較時，則為 CRPS 第 3、MASE 第 4。這種界定提醒實務團隊：排行榜必須連同零樣本條件、資料洩漏控制與授權條件一起看，不能只截取名次當結論。^[raw/articles/huggingface-ibm-granite-timeseries-patchtst-fm-r2-2026-09-14.md]
對企業落地的意義
模型同時公開權重、架構、推論流程與重現程式，並提供 Apache-2.0 或 OpenMDW-1.0 雙授權選擇；對需要內部部署、審查供應鏈與保留修改權的團隊，這比單純高分更有採用價值。其訓練資料亦列出 GiftEvalPretrain、受限於基準外資料的 TSMixup、KernelSynth 與約 50 萬條 CauKer 合成序列，增加對資料來源與基準洩漏風險的可檢視性；但仍不能取代組織自己的法務、資料治理與場域驗證。
若使用情境是持續流入的監測資料，IBM 與 Confluent 已有透過 Confluent Cloud／Apache Flink 將 Granite 時間序列模型接到串流推論的方向。IBM Granite 時間序列模型 × Confluent：串流原生即時智能記錄了這條從離線 notebook 到即時異常偵測與預測的部署脈絡；本文的 r2 則補上更強的零樣本預測候選。注意原文列出的初始 Early Access 模型為 r1、FlowState-r1.1、TTM-r3 與 TSPulse，未宣稱 r2 已進入該初始清單。^[raw/articles/huggingface-ibm-granite-timeseries-patchtst-fm-r2-2026-09-14.md]
與既有知識的連結
Granite 生態並不只做生成式 LLM；時間序列模型顯示 IBM 將「開放權重＋可稽核流程」延伸到專門預測任務。可與 Granite 4.1 LLM 建構揭密——IBM 五階段訓練策略 對照：兩者都重視公開技術路徑，但評估指標分別是語言能力與時間序列的 CRPS／MASE。導入前仍應以自身資料切分、預測視野、遺漏值比例與延遲需求做離線驗證，再決定是否從零樣本試用轉向微調或串流部署。
相關頁面
反向連結
以下頁面引用了本頁：