Uso primário declarado ou inferido com cautela a partir da documentação oficial.
IBM
IBM / ibm-granite/granite-timeseries-ensemble-r1
Granite Timeseries Ensemble R1
Ensemble de previsão de séries temporais publicado pela IBM em 5 de outubro de 2026, segundo o evento público do repositório oficial. Combina PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 e TTM-r3. Distribui receitas reproduzíveis, não pesos fundidos nem um novo checkpoint treinado: descarrega os quatro membros dos respetivos repositórios durante a execução.
01 / RESUMO
O essencial
Capacidade máxima de entrada quando publicada pela fonte.
Limite máximo de geração documentado.
Canais de disponibilidade verificados.
Família funcional principal e especialidades verificadas.
Condições declaradas para API, pesos ou alojamento próprio.
02 / FICHA TÉCNICA
Limites e integração
| ID de API | ibm-granite/granite-timeseries-ensemble-r1 |
|---|---|
| Tipo de modelo | Séries temporais |
| Modelo de acesso | Ensemble aberto |
| Licença | Apache 2.0 · verificar licenças dos membros |
| Implantação | Alojamento próprio com granite-tsfm ≥0.3.10 |
| Lançamento | 05 OCT 2026 |
| Data de corte do conhecimento | Não publicado |
| Entrada | Séries numéricas |
| Saída | Quantis e previsões numéricas |
| Janela de contexto | Depende de cada modelo membro |
| saída máxima | Nove quantis de 0,1 a 0,9; mediana como previsão pontual |
| Raciocínio | Não aplicável |
| Ferramentas publicadas | |
| Passeios Estruturados | Previsões tabulares e quantis |
| Processamento em lote | Não publicado |
| Cache de prompts | Não publicado |
| Ajuste fino | Não publicado |
| Plataformas verificadas | Hugging Face · Granite TSFM |
Previsões sem ajuste prévio e experiências com incerteza em procura, energia ou sensores. A receita predefinida linear_pool mistura uniformemente os quantis sem aprender pesos; devolve nove quantis de 0,1 a 0,9 e usa a mediana como estimativa pontual. O método alternativo iqr_weighted favorece intervalos estreitos e ordena os quantis por regressão isotónica.
Cada canal multivariado é previsto de forma independente: não aproveita relações entre canais. Carregar quatro modelos aumenta memória e latência; os limites de contexto, horizonte, dados ausentes e pré-processamento dependem de cada membro. Um intervalo estreito não garante precisão nem calibração. Valida com dados representativos e monitoriza alterações de distribuição antes de automatizar decisões.
03 / CAPACIDADES
O que pode fazer
Orientação
Previsões sem ajuste prévio e experiências com incerteza em procura, energia ou sensores. A receita predefinida linear_pool mistura uniformemente os quantis sem aprender pesos; devolve nove quantis de 0,1 a 0,9 e usa a mediana como estimativa pontual. O método alternativo iqr_weighted favorece intervalos estreitos e ordena os quantis por regressão isotónica.
Contexto
Depende de cada modelo membro · Nove quantis de 0,1 a 0,9; mediana como previsão pontual
Ferramentas e integração
Não publicado
Acesso
Hugging Face · receitas e checkpoints separados
Modalidades de entrada
Séries numéricas
04 / PREÇOS
Custo documentado
| Conceito | Valor | Unidade/condição |
|---|---|---|
| Entrada padrão | Sem tarifa API oficial publicada | Tarifa padrão da API |
| Entrada em cache | Não publicado | Leitura de prefixos reutilizados |
| Escrita ou armazenamento em cache | Não publicado | A condição varia consoante o fornecedor |
| Saída padrão | Custo da infraestrutura própria | Pode incluir tokens de raciocínio |
| Entrada por lotes | Não publicado | Processamento assíncrono |
| Saída por lotes | Não publicado | Processamento assíncrono |
O identificador corresponde a uma receita descarregável, não a um endpoint API comercial verificado. Não há tarifa oficial por tokens; mantém o custo desconhecido e calcula a infraestrutura. A receita e a implementação são Apache 2.0, mas cada checkpoint mantém a sua licença. As receitas expanded incluem membros IBM Research com condições separadas, potencialmente não comerciais.
i Os preços mudam e podem depender do nível, região ou duração do contexto. Verifique a fonte antes de tomar uma decisão.
05 / AVALIAÇÕES
Como ler os resultados
“
Resultados publicados pela IBM, não reproduzidos pela Inferama, em 97 configurações GIFT-Eval. MASE e CRPS/MWQL são normalizados face a Seasonal Naive e agregados geometricamente; menor é melhor. Os rankings resumem posições por configuração, não percentagens. As posições referem-se a 28 de setembro de 2026; a comparação visual filtra licenças e outros critérios, pelo que não demonstra liderança absoluta. Mantém linear_pool e iqr_weighted separados.
| Benchmark | Resultado | Métrica | Fonte |
|---|---|---|---|
| GIFT-Eval MASE | 0,6830 | MASE normalizado | Ver fonte ↗ |
| GIFT-Eval CRPS | 0,4707 | CRPS/MWQL normalizado | Ver fonte ↗ |
| GIFT-Eval MASE Rank | 37,19 | Ranking agregado | Ver fonte ↗ |
| GIFT-Eval CRPS Rank | 39,91 | Ranking agregado | Ver fonte ↗ |
| GIFT-Eval MASE | 0,6830 | MASE normalizado | Ver fonte ↗ |
| GIFT-Eval CRPS | 0,4700 | CRPS/MWQL normalizado | Ver fonte ↗ |
| GIFT-Eval MASE Rank | 37,65 | Ranking agregado | Ver fonte ↗ |
| GIFT-Eval CRPS Rank | 36,90 | Ranking agregado | Ver fonte ↗ |
O Inferama só destaca o “melhor resultado” quando a métrica, o conjunto de testes, a configuração e a data permitem uma comparação equivalente. Os números do fornecedor são apresentados como declarações de sua própria fonte.
06 / VERSÕES
Cronologia
Ensemble R1 · linear_pool
Receita predefinida com quatro membros Granite e mistura uniforme de quantis.
Ensemble R1 · iqr_weighted
Receita alternativa granite-iqr: mesmos membros; ponderação por intervalo interquartil.
07 / FONTES