Uso principal declarado o inferido con cautela desde la documentación oficial.
IBM
IBM / ibm-granite/granite-timeseries-ensemble-r1
Granite Timeseries Ensemble R1
Ensemble de predicción de series temporales publicado por IBM el 5 de octubre de 2026, según el evento público del repositorio oficial. Combina PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 y TTM-r3. Distribuye recetas reproducibles, no pesos fusionados ni un nuevo checkpoint entrenado: descarga los cuatro miembros desde sus respectivos repositorios al ejecutarse.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | ibm-granite/granite-timeseries-ensemble-r1 |
|---|---|
| Tipo de modelo | Series temporales |
| Modelo de acceso | Ensemble abierto |
| Licencia | Apache 2.0 · revisar licencias de los miembros |
| Despliegue | Despliegue propio con granite-tsfm ≥0.3.10 |
| Lanzamiento | 05 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Series numéricas |
| Salida | Cuantiles y predicciones numéricas |
| Ventana de contexto | Depende de cada modelo miembro |
| Salida máxima | Nueve cuantiles de 0,1 a 0,9; mediana como predicción puntual |
| Razonamiento | No aplica |
| Herramientas publicadas | |
| Salidas estructuradas | Predicciones tabulares y cuantiles |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · Granite TSFM |
Pronósticos sin ajuste previo y experimentos con incertidumbre en demanda, energía o sensores. La receta predeterminada linear_pool mezcla uniformemente los cuantiles sin aprender pesos; devuelve nueve cuantiles de 0,1 a 0,9 y usa la mediana como estimación puntual. El método alternativo iqr_weighted favorece intervalos estrechos y ordena los cuantiles mediante regresión isotónica.
Cada canal multivariante se predice de forma independiente: no aprovecha relaciones entre canales. Cargar cuatro modelos aumenta memoria y latencia; los límites de contexto, horizonte, datos ausentes y preprocesado dependen de cada miembro. Un intervalo estrecho no garantiza precisión ni calibración. Valida con datos representativos y vigila cambios de distribución antes de automatizar decisiones.
03 / CAPACIDADES
Qué puede hacer
Orientación
Pronósticos sin ajuste previo y experimentos con incertidumbre en demanda, energía o sensores. La receta predeterminada linear_pool mezcla uniformemente los cuantiles sin aprender pesos; devuelve nueve cuantiles de 0,1 a 0,9 y usa la mediana como estimación puntual. El método alternativo iqr_weighted favorece intervalos estrechos y ordena los cuantiles mediante regresión isotónica.
Contexto
Depende de cada modelo miembro · Nueve cuantiles de 0,1 a 0,9; mediana como predicción puntual
Herramientas e integración
No publicado
Acceso
Hugging Face · recetas y checkpoints separados
Modalidades de entrada
Series numéricas
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
El identificador corresponde a una receta descargable, no a un endpoint API comercial verificado. No hay tarifa oficial por tokens; conserva el coste como desconocido y presupuesta infraestructura. La receta y la implementación son Apache 2.0, pero cada checkpoint mantiene su licencia. Las recetas expanded incluyen miembros de IBM Research con condiciones separadas, potencialmente no comerciales.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
Resultados publicados por IBM, no reproducidos por Inferama, sobre 97 configuraciones de GIFT-Eval. MASE y CRPS/MWQL se normalizan contra Seasonal Naive y se agregan geométricamente; menor es mejor. Los rangos resumen posiciones por configuración, no porcentajes. Las posiciones corresponden al 28 de septiembre de 2026; la comparación visual filtra licencias y otros criterios, por lo que no demuestra liderazgo absoluto. Mantén separados linear_pool e iqr_weighted.
| Benchmark | Resultado | Métrica | Fuente |
|---|---|---|---|
| GIFT-Eval MASE | 0,6830 | MASE normalizado | Ver fuente ↗ |
| GIFT-Eval CRPS | 0,4707 | CRPS/MWQL normalizado | Ver fuente ↗ |
| GIFT-Eval MASE Rank | 37,19 | Rango agregado | Ver fuente ↗ |
| GIFT-Eval CRPS Rank | 39,91 | Rango agregado | Ver fuente ↗ |
| GIFT-Eval MASE | 0,6830 | MASE normalizado | Ver fuente ↗ |
| GIFT-Eval CRPS | 0,4700 | CRPS/MWQL normalizado | Ver fuente ↗ |
| GIFT-Eval MASE Rank | 37,65 | Rango agregado | Ver fuente ↗ |
| GIFT-Eval CRPS Rank | 36,90 | Rango agregado | Ver fuente ↗ |
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
Ensemble R1 · linear_pool
Receta predeterminada con cuatro miembros Granite y mezcla uniforme de cuantiles.
Ensemble R1 · iqr_weighted
Receta alternativa granite-iqr: mismos miembros; ponderación por rango intercuartílico.
07 / FUENTES