Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.
IBM
IBM / ibm-granite/granite-timeseries-ensemble-r1
Granite Timeseries Ensemble R1
Von IBM am 5. Oktober 2026 veröffentlichtes Ensemble zur Zeitreihenprognose, belegt durch das öffentliche Veröffentlichungsereignis des offiziellen Repositorys. Es kombiniert PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 und TTM-r3. Veröffentlicht werden reproduzierbare Rezepte, keine zusammengeführten Gewichte oder neu trainierten Checkpoints: Die vier Teilmodelle werden zur Laufzeit aus ihren jeweiligen Repositorys geladen.
01 / ZUSAMMENFASSUNG
Das Wesentliche
Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.
Dokumentierte maximale Erzeugungsgrenze.
Verifizierte Verfügbarkeitskanäle.
Primäre Funktionsfamilie und verifizierte Spezialisierungen.
Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.
02 / TECHNISCHES DATENBLATT
Limits und Integration
| API-ID | ibm-granite/granite-timeseries-ensemble-r1 |
|---|---|
| Modelltyp | Zeitreihen |
| Zugangsmodell | Offenes Ensemble |
| Lizenz | Apache 2.0 · Lizenzen der Teilmodelle prüfen |
| Einsatz | Eigenbetrieb mit granite-tsfm ≥0.3.10 |
| Veröffentlichung | 05 OCT 2026 |
| Wissensstichtag | Nicht veröffentlicht |
| Eingang | Numerische Zeitreihen |
| Ausfahrt | Quantile und numerische Prognosen |
| Kontextfenster | Abhängig vom jeweiligen Teilmodell |
| maximale Leistung | Neun Quantile von 0,1 bis 0,9; Median als Punktprognose |
| Argumentation | Nicht zutreffend |
| Veröffentlichte Tools | |
| Strukturierte Ausflüge | Tabellarische Prognosen und Quantile |
| Stapelverarbeitung | Nicht veröffentlicht |
| Prompt-Cache | Nicht veröffentlicht |
| Feinabstimmung | Nicht veröffentlicht |
| Verifizierte Plattformen | Hugging Face · Granite TSFM |
Zero-Shot-Prognosen und Unsicherheitsexperimente für Nachfrage, Energie oder Sensoren. Das Standardrezept linear_pool kombiniert Quantile gleichmäßig ohne erlernte Gewichte; es liefert neun Quantile von 0,1 bis 0,9 und verwendet den Median als Punktschätzung. Die Alternative iqr_weighted bevorzugt enge Intervalle und ordnet Quantile mittels isotoner Regression.
Jeder multivariate Kanal wird unabhängig prognostiziert: Beziehungen zwischen Kanälen bleiben ungenutzt. Vier geladene Modelle erhöhen Speicherbedarf und Latenz; Kontext, Prognosehorizont, fehlende Daten und Vorverarbeitung hängen vom jeweiligen Teilmodell ab. Ein enges Intervall garantiert weder Genauigkeit noch Kalibrierung. Vor automatisierten Entscheidungen mit repräsentativen Daten validieren und Verteilungsverschiebungen überwachen.
03 / FÄHIGKEITEN
Was es kann
Orientierung
Zero-Shot-Prognosen und Unsicherheitsexperimente für Nachfrage, Energie oder Sensoren. Das Standardrezept linear_pool kombiniert Quantile gleichmäßig ohne erlernte Gewichte; es liefert neun Quantile von 0,1 bis 0,9 und verwendet den Median als Punktschätzung. Die Alternative iqr_weighted bevorzugt enge Intervalle und ordnet Quantile mittels isotoner Regression.
Kontext
Abhängig vom jeweiligen Teilmodell · Neun Quantile von 0,1 bis 0,9; Median als Punktprognose
Tools und Integration
Nicht veröffentlicht
Zugang
Hugging Face · getrennte Rezepte und Checkpoints
Eingabemodalitäten
Numerische Zeitreihen
04 / PREISE
Dokumentierte Kosten
| Konzept | Wert | Einheit/Zustand |
|---|---|---|
| Standardeingabe | Kein offizieller API-Preis veröffentlicht | Standardtarif der API |
| Eingabe aus dem Cache | Nicht veröffentlicht | Lesen wiederverwendeter Präfixe |
| Schreiben oder Speichern im Cache | Nicht veröffentlicht | Die Bedingung variiert je nach Anbieter |
| Standardausgabe | Kosten der eigenen Infrastruktur | Kann Reasoning-Tokens enthalten |
| Batch-Eingabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
| Batch-Ausgabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
Die Kennung bezeichnet ein herunterladbares Rezept, keinen verifizierten kommerziellen API-Endpunkt. Es gibt keinen offiziellen Tokenpreis; Kosten bleiben unbekannt, Infrastruktur muss budgetiert werden. Rezept und Implementierung stehen unter Apache 2.0, jeder Checkpoint behält jedoch seine Lizenz. Die expanded-Rezepte enthalten IBM-Research-Teilmodelle mit gesonderten, möglicherweise nichtkommerziellen Bedingungen.
i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.
05 / BEWERTUNGEN
So lesen Sie die Ergebnisse
“
Von IBM veröffentlichte, nicht von Inferama reproduzierte Ergebnisse über 97 GIFT-Eval-Konfigurationen. MASE und CRPS/MWQL werden gegenüber Seasonal Naive normalisiert und geometrisch aggregiert; niedriger ist besser. Rangwerte fassen Positionen je Konfiguration zusammen, keine Prozentwerte. Die Platzierungen stammen vom 28. September 2026; der visuelle Vergleich filtert Lizenzen und andere Kriterien und belegt daher keine absolute Spitzenposition. linear_pool und iqr_weighted getrennt betrachten.
| Benchmark | Ergebnis | Metrik | Quelle |
|---|---|---|---|
| GIFT-Eval MASE | 0,6830 | Normalisierter MASE | Quelle öffnen ↗ |
| GIFT-Eval CRPS | 0,4707 | Normalisierter CRPS/MWQL | Quelle öffnen ↗ |
| GIFT-Eval MASE Rank | 37,19 | Aggregierter Rang | Quelle öffnen ↗ |
| GIFT-Eval CRPS Rank | 39,91 | Aggregierter Rang | Quelle öffnen ↗ |
| GIFT-Eval MASE | 0,6830 | Normalisierter MASE | Quelle öffnen ↗ |
| GIFT-Eval CRPS | 0,4700 | Normalisierter CRPS/MWQL | Quelle öffnen ↗ |
| GIFT-Eval MASE Rank | 37,65 | Aggregierter Rang | Quelle öffnen ↗ |
| GIFT-Eval CRPS Rank | 36,90 | Aggregierter Rang | Quelle öffnen ↗ |
Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.
06 / VERSIONEN
Chronologie
Ensemble R1 · linear_pool
Standardrezept mit vier Granite-Teilmodellen und gleichmäßiger Quantilkombination.
Ensemble R1 · iqr_weighted
Alternatives granite-iqr-Rezept: gleiche Teilmodelle; Gewichtung nach Interquartilsabstand.
07 / QUELLEN