Utilisation principale déclarée ou déduite avec prudence de la documentation officielle.
IBM
IBM / ibm-granite/granite-timeseries-ensemble-r1
Granite Timeseries Ensemble R1
Ensemble de prévision de séries temporelles publié par IBM le 5 octobre 2026, selon l’événement public de publication du dépôt officiel. Il combine PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 et TTM-r3. Il distribue des recettes reproductibles, et non des poids fusionnés ou un nouveau checkpoint entraîné : les quatre membres sont téléchargés depuis leurs dépôts respectifs lors de l’exécution.
01 / RÉSUMÉ
L'essentiel
Capacité d'entrée maximale une fois publiée par la source.
Limite de génération maximale documentée.
Canaux de disponibilité vérifiés.
Famille fonctionnelle principale et spécialités vérifiées.
Conditions déclarées pour l’API, les poids ou l’auto-hébergement.
02 / FICHE TECHNIQUE
Limites et intégration
| ID d’API | ibm-granite/granite-timeseries-ensemble-r1 |
|---|---|
| Type de modèle | Séries temporelles |
| Mode d’accès | Ensemble ouvert |
| Licence | Apache 2.0 · vérifier les licences des membres |
| Déploiement | Auto-hébergement avec granite-tsfm ≥0.3.10 |
| Lancement | 05 OCT 2026 |
| Date limite des connaissances | Non publié |
| Entrée | Séries numériques |
| Sortie | Quantiles et prévisions numériques |
| Fenêtre contextuelle | Dépend de chaque modèle membre |
| puissance maximale | Neuf quantiles de 0,1 à 0,9 ; médiane comme prévision ponctuelle |
| Raisonnement | Sans objet |
| Outils publiés | |
| Sorties structurées | Prévisions tabulaires et quantiles |
| Traitement par lots | Non publié |
| Cache de prompts | Non publié |
| Ajustement fin | Non publié |
| Plateformes vérifiées | Hugging Face · Granite TSFM |
Prévisions sans ajustement préalable et expériences sur l’incertitude pour la demande, l’énergie ou les capteurs. La recette par défaut linear_pool mélange uniformément les quantiles sans apprendre de poids ; elle renvoie neuf quantiles de 0,1 à 0,9 et utilise la médiane comme estimation ponctuelle. La méthode alternative iqr_weighted favorise les intervalles étroits et ordonne les quantiles par régression isotone.
Chaque canal multivarié est prédit indépendamment : les relations entre canaux ne sont pas exploitées. Charger quatre modèles augmente la mémoire et la latence ; les limites de contexte, d’horizon, de données manquantes et de prétraitement dépendent de chaque membre. Un intervalle étroit ne garantit ni précision ni calibration. Validez sur des données représentatives et surveillez les changements de distribution avant d’automatiser les décisions.
03 / CAPACITÉS
Ce qu’il peut faire
Orientation
Prévisions sans ajustement préalable et expériences sur l’incertitude pour la demande, l’énergie ou les capteurs. La recette par défaut linear_pool mélange uniformément les quantiles sans apprendre de poids ; elle renvoie neuf quantiles de 0,1 à 0,9 et utilise la médiane comme estimation ponctuelle. La méthode alternative iqr_weighted favorise les intervalles étroits et ordonne les quantiles par régression isotone.
Contexte
Dépend de chaque modèle membre · Neuf quantiles de 0,1 à 0,9 ; médiane comme prévision ponctuelle
Outils et intégration
Non publié
Accès
Hugging Face · recettes et checkpoints séparés
Modalités d’entrée
Séries numériques
04 / TARIFS
Coût documenté
| Concept | Valeur | Unité/état |
|---|---|---|
| Entrée standard | Aucun tarif API officiel publié | Tarif API standard |
| Entrée en cache | Non publié | Lecture de préfixes réutilisés |
| Écriture ou stockage de cache | Non publié | La condition varie selon le fournisseur |
| Sortie standard | Coût de l’infrastructure propre | Peut inclure des tokens de raisonnement |
| Entrée par lots | Non publié | Traitement asynchrone |
| Sortie par lots | Non publié | Traitement asynchrone |
L’identifiant correspond à une recette téléchargeable, et non à un endpoint API commercial vérifié. Aucun tarif officiel par token n’est publié ; conservez le coût comme inconnu et prévoyez l’infrastructure. La recette et l’implémentation sont sous Apache 2.0, mais chaque checkpoint conserve sa licence. Les recettes expanded incluent des membres IBM Research soumis à des conditions distinctes, potentiellement non commerciales.
i Les prix changent et peuvent dépendre du niveau, de la région ou de la durée du contexte. Vérifiez la source avant de prendre une décision.
05 / ÉVALUATIONS
Comment lire les résultats
“
Résultats publiés par IBM, non reproduits par Inferama, sur 97 configurations de GIFT-Eval. MASE et CRPS/MWQL sont normalisés par rapport à Seasonal Naive et agrégés géométriquement ; une valeur plus basse est meilleure. Les rangs résument les positions par configuration, et non des pourcentages. Les positions datent du 28 septembre 2026 ; la comparaison visuelle filtre les licences et d’autres critères, elle ne démontre donc pas une supériorité absolue. Séparez linear_pool et iqr_weighted.
| Benchmark | Résultat | Métrique | Source |
|---|---|---|---|
| GIFT-Eval MASE | 0,6830 | MASE normalisé | Voir la source ↗ |
| GIFT-Eval CRPS | 0,4707 | CRPS/MWQL normalisé | Voir la source ↗ |
| GIFT-Eval MASE Rank | 37,19 | Rang agrégé | Voir la source ↗ |
| GIFT-Eval CRPS Rank | 39,91 | Rang agrégé | Voir la source ↗ |
| GIFT-Eval MASE | 0,6830 | MASE normalisé | Voir la source ↗ |
| GIFT-Eval CRPS | 0,4700 | CRPS/MWQL normalisé | Voir la source ↗ |
| GIFT-Eval MASE Rank | 37,65 | Rang agrégé | Voir la source ↗ |
| GIFT-Eval CRPS Rank | 36,90 | Rang agrégé | Voir la source ↗ |
Inferama ne met en évidence un « meilleur résultat » que lorsque la métrique, l'ensemble de test, la configuration et la date permettent une comparaison équivalente. Les chiffres du fournisseur sont présentés comme des affirmations provenant de sa propre source.
06 / VERSIONS
Chronologie
Ensemble R1 · linear_pool
Recette par défaut avec quatre membres Granite et mélange uniforme des quantiles.
Ensemble R1 · iqr_weighted
Recette alternative granite-iqr : mêmes membres ; pondération par intervalle interquartile.
07 / SOURCES