Uso primario dichiarato o dedotto con cautela dalla documentazione ufficiale.
IBM
IBM / ibm-granite/granite-timeseries-ensemble-r1
Granite Timeseries Ensemble R1
Ensemble per la previsione di serie temporali pubblicato da IBM il 5 ottobre 2026, secondo l’evento pubblico del repository ufficiale. Combina PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 e TTM-r3. Distribuisce ricette riproducibili, non pesi fusi né un nuovo checkpoint addestrato: scarica i quattro membri dai rispettivi repository durante l’esecuzione.
01 / RIEPILOGO
L'essenziale
Capacità di input massima quando pubblicata dalla fonte.
Limite massimo di generazione documentato.
Canali di disponibilità verificati.
Famiglia funzionale principale e specialità verificate.
Condizioni dichiarate per API, pesi o distribuzione autonoma.
02 / SCHEDA TECNICA
Limiti e integrazione
| ID API | ibm-granite/granite-timeseries-ensemble-r1 |
|---|---|
| Tipo di modello | Serie temporali |
| Modalità di accesso | Ensemble aperto |
| Licenza | Apache 2.0 · verificare le licenze dei membri |
| Distribuzione | Distribuzione autonoma con granite-tsfm ≥0.3.10 |
| Rilascio | 05 OCT 2026 |
| Cutoff della conoscenza | Non pubblicato |
| Entrata | Serie numeriche |
| Uscita | Quantili e previsioni numeriche |
| Finestra di contesto | Dipende da ciascun modello membro |
| rendimento massimo | Nove quantili da 0,1 a 0,9; mediana come previsione puntuale |
| Ragionamento | Non applicabile |
| Strumenti pubblicati | |
| Uscite strutturate | Previsioni tabellari e quantili |
| Elaborazione batch | Non pubblicato |
| Cache dei prompt | Non pubblicato |
| Fine-tuning | Non pubblicato |
| Piattaforme verificate | Hugging Face · Granite TSFM |
Previsioni senza adattamento preliminare ed esperimenti sull’incertezza per domanda, energia o sensori. La ricetta predefinita linear_pool combina uniformemente i quantili senza apprendere pesi; restituisce nove quantili da 0,1 a 0,9 e usa la mediana come stima puntuale. Il metodo alternativo iqr_weighted favorisce intervalli stretti e ordina i quantili tramite regressione isotonica.
Ogni canale multivariato viene previsto indipendentemente: non sfrutta le relazioni tra canali. Caricare quattro modelli aumenta memoria e latenza; limiti di contesto, orizzonte, dati mancanti e pre-elaborazione dipendono da ciascun membro. Un intervallo stretto non garantisce accuratezza né calibrazione. Valida con dati rappresentativi e monitora cambiamenti di distribuzione prima di automatizzare decisioni.
03 / CAPACITÀ
Cosa può fare
Orientamento
Previsioni senza adattamento preliminare ed esperimenti sull’incertezza per domanda, energia o sensori. La ricetta predefinita linear_pool combina uniformemente i quantili senza apprendere pesi; restituisce nove quantili da 0,1 a 0,9 e usa la mediana come stima puntuale. Il metodo alternativo iqr_weighted favorisce intervalli stretti e ordina i quantili tramite regressione isotonica.
Contesto
Dipende da ciascun modello membro · Nove quantili da 0,1 a 0,9; mediana come previsione puntuale
Strumenti e integrazione
Non pubblicato
Accesso
Hugging Face · ricette e checkpoint separati
Modalità di input
Serie numeriche
04 / PREZZI
Costo documentato
| Concetto | Di valore | Unità/condizione |
|---|---|---|
| Input standard | Nessuna tariffa API ufficiale pubblicata | Tariffa API standard |
| Input in cache | Non pubblicato | Lettura di prefissi riutilizzati |
| Scrittura o archiviazione della cache | Non pubblicato | La condizione varia in base al fornitore |
| Output standard | Costo dell’infrastruttura propria | Può includere token di ragionamento |
| Input batch | Non pubblicato | Elaborazione asincrona |
| Output batch | Non pubblicato | Elaborazione asincrona |
L’identificatore corrisponde a una ricetta scaricabile, non a un endpoint API commerciale verificato. Non esiste una tariffa ufficiale per token; mantieni il costo sconosciuto e calcola l’infrastruttura. La ricetta e l’implementazione sono Apache 2.0, ma ogni checkpoint mantiene la propria licenza. Le ricette expanded includono membri IBM Research con condizioni separate, potenzialmente non commerciali.
i I prezzi cambiano e possono dipendere dal livello, dalla regione o dalla durata del contesto. Controlla la fonte prima di prendere una decisione.
05 / VALUTAZIONI
Come leggere i risultati
“
Risultati pubblicati da IBM, non riprodotti da Inferama, su 97 configurazioni GIFT-Eval. MASE e CRPS/MWQL sono normalizzati rispetto a Seasonal Naive e aggregati geometricamente; valori inferiori sono migliori. I ranghi riassumono posizioni per configurazione, non percentuali. Le posizioni risalgono al 28 settembre 2026; il confronto visivo filtra licenze e altri criteri, quindi non dimostra una leadership assoluta. Mantieni separati linear_pool e iqr_weighted.
| Benchmark | Risultato | Metrica | Fonte |
|---|---|---|---|
| GIFT-Eval MASE | 0,6830 | MASE normalizzato | Vedi fonte ↗ |
| GIFT-Eval CRPS | 0,4707 | CRPS/MWQL normalizzato | Vedi fonte ↗ |
| GIFT-Eval MASE Rank | 37,19 | Rango aggregato | Vedi fonte ↗ |
| GIFT-Eval CRPS Rank | 39,91 | Rango aggregato | Vedi fonte ↗ |
| GIFT-Eval MASE | 0,6830 | MASE normalizzato | Vedi fonte ↗ |
| GIFT-Eval CRPS | 0,4700 | CRPS/MWQL normalizzato | Vedi fonte ↗ |
| GIFT-Eval MASE Rank | 37,65 | Rango aggregato | Vedi fonte ↗ |
| GIFT-Eval CRPS Rank | 36,90 | Rango aggregato | Vedi fonte ↗ |
Inferama evidenzia un "miglior risultato" solo quando la metrica, il set di test, la configurazione e la data consentono un confronto equivalente. I dati del fornitore sono presentati come affermazioni provenienti dalla propria fonte.
06 / VERSIONI
Cronologia
Ensemble R1 · linear_pool
Ricetta predefinita con quattro membri Granite e combinazione uniforme dei quantili.
Ensemble R1 · iqr_weighted
Ricetta alternativa granite-iqr: stessi membri; ponderazione per intervallo interquartile.
07 / FONTI