IBM stellt neues Zeitreihenmodell Granite PatchTST-FM-r2 vor

IBM veröffentlicht fortschrittliches Zeitreihenmodell Granite PatchTST-FM-r2 mit kommerzieller Lizenz

IBM hat das Modell Granite Time Series PatchTST-FM-r2 vorgestellt, eine Weiterentwicklung im Bereich der Zeitreihenprognose mittels künstlicher Intelligenz. Dieses Modell, das Teil der Granite TSFM-Familie ist, soll Unternehmen die Möglichkeit bieten, präzise Zero-Shot-Prognosen für vielfältige Anwendungsbereiche zu erstellen. Die Veröffentlichung unter einer kommerziell freundlichen Open-Source-Lizenz, genauer gesagt der Apache 2.0 und OpenMDW 1.0, zielt darauf ab, die Zugänglichkeit und Anwendbarkeit in der Industrie zu erhöhen.

Architektur und Leistungsmerkmale

Das PatchTST-FM-r2-Modell, mit ungefähr 385 Millionen Parametern, baut auf seinem Vorgänger PatchTST-FM-r1 auf. Es integriert eine aktualisierte Architektur, einen erweiterten Trainingskorpus und bietet probabilistische Prognosen sowie die Unterstützung für die Imputation fehlender Werte. Ein wesentliches Merkmal ist die Fähigkeit zur Zero-Shot-Prognose, was bedeutet, dass das Modell Vorhersagen für Zeitreihendaten treffen kann, die es während des Trainings nicht explizit gesehen hat. Dies reduziert den Bedarf an aufwendiger Feinabstimmung für jede neue Aufgabe.

Die architektonischen Neuerungen umfassen die Einführung sogenannter Conformer-Blöcke. Diese Blöcke kombinieren Multi-Head Self-Attention mit temporaler Faltung. Während die Self-Attention-Mechanismen in der Lage sind, langfristige Abhängigkeiten über Patches hinweg zu modellieren, konzentriert sich die temporale Faltung auf die Erfassung lokaler zeitlicher Strukturen. Diese Kombination ermöglicht es dem Modell, sowohl kurz- als auch langfristige Muster in Zeitreihen effektiv zu verarbeiten. Das Modell unterstützt Kontextlängen von bis zu 8.192 Schritten und kann 99 Quantile über flexible Prognoselängen hinweg vorhersagen, wodurch sowohl Punktprognosen als auch Unsicherheitsintervalle bereitgestellt werden.

Benchmark-Ergebnisse und Positionierung

Auf dem GIFT-Eval-Benchmark, einer umfassenden Evaluierungsplattform für Zeitreihenprognosemodelle, positioniert sich PatchTST-FM-r2 als eines der leistungsstärksten Zero-Shot-Modelle. Insbesondere wird es als das führende Zero-Shot-Modell unter denjenigen mit einer permissiven, kommerziell nutzbaren Open-Source-Lizenz (Apache 2.0 und OpenMDW 1.0) genannt. Im Gesamtvergleich aller replizierbaren Zero-Shot-Modelle belegt es den zweiten Platz. Auch im Vergleich zu vortrainierten Modellen, die Zugriff auf Benchmark-Trainingsdaten hatten, zeigt PatchTST-FM-r2 eine wettbewerbsfähige Leistung und übertrifft in einigen Metriken sogar größere Konkurrenzmodelle.

Transparenz und Lizenzierung

Ein zentraler Aspekt der Veröffentlichung ist die Transparenz bezüglich der Trainingsdaten. IBM dokumentiert den Vortrainingskorpus von PatchTST-FM-r2, der aus mehreren Quellen besteht, darunter ausgewählte Datensätze von GiftEvalPretrain, synthetische Daten basierend auf KernelSynth, ein TSMixup-Korpus und synthetische CauKer-Sequenzen. Diese Offenlegung soll Unternehmen eine fundierte Bewertung der Modelle im Hinblick auf Modell-Governance und Lizenzierung ermöglichen.

Die duale Lizenzierung unter Apache 2.0 und OpenMDW 1.0 bietet Nutzern flexible Optionen. Beide Lizenzen gewähren weitreichende Rechte zur Nutzung, Modifikation und Distribution der Modelle. OpenMDW 1.0, ein Lizenzrahmen der Linux Foundation, wurde speziell für KI-Modelle und zugehörige Materialien entwickelt. Ziel dieser Lizenzpolitik ist es, die Hürden für die Einführung zu senken und die Entwicklung auf Basis dieser Technologie zu fördern.

Anwendungsmöglichkeiten und Integration

Das Modell ist für eine breite Palette von Anwendungen konzipiert, darunter die Prognose von Nachfrage, Preisen, Energielasten, Verkehrsaufkommen und Telemetriedaten. IBM stellt die Modellgewichte, die Architektur, die Inferenz-Pipeline und den Code zur Reproduktion der Benchmark-Ergebnisse öffentlich zur Verfügung. Dies erleichtert Entwicklern und Forschern den Zugang und die Integration in eigene Systeme.

Darüber hinaus wurden mehrere Modelle der IBM Granite Time Series Familie, darunter PatchTST-FM-r1, FlowState-r1.1, TTM-r3 und TSPulse, über ein Early Access Programm in der Confluent Cloud verfügbar gemacht. Diese Integration ermöglicht es, die Inferenz von Foundation Models direkt in Streaming-Anwendungen über Apache Flink in der Confluent Cloud zu nutzen. Dadurch können Prognosen und Anomalieerkennungen in Echtzeit aus Live-Datenströmen generiert werden, ohne dass separate ML-Umgebungen eingerichtet werden müssen.

Zusammenfassung

Die Veröffentlichung des IBM Granite Time Series PatchTST-FM-r2 Modells stellt einen Beitrag zur Weiterentwicklung der Zeitreihenprognose dar. Durch seine fortschrittliche Architektur, die leistungsstarke Zero-Shot-Fähigkeit und die kommerziell nutzbare Open-Source-Lizenzierung soll es Unternehmen dabei unterstützen, datenbasierte Entscheidungen effizienter zu treffen und neue Anwendungsfälle zu erschließen.

Bibliografie

• Hugging Face Blog. (2026, 9. September). IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license. Abgerufen von [https://huggingface.co/blog/ibm-research/ibm-releases-sota-granite-time-series](https://huggingface.co/blog/ibm-research/ibm-releases-sota-granite-time-series)
• Hugging Face. (n.d.). ibm-granite/granite-timeseries-patchtst-fm-r2. Abgerufen von [https://huggingface.co/ibm-granite/granite-timeseries-patchtst-fm-r2](https://huggingface.co/ibm-granite/granite-timeseries-patchtst-fm-r2)
• IBM Research Blog. (n.d.). Time Series AI for Enterprise. Abgerufen von [https://research.ibm.com/blog/time-series-ai-enterprise](https://research.ibm.com/blog/time-series-ai-enterprise)
• Unite.AI. (2026, 9. September). IBM Releases Granite PatchTST-FM-R2 Zero-Shot Time Series Model. Abgerufen von [https://www.unite.ai/ibm-releases-granite-patchtst-fm-r2-zero-shot-time-series-model/](https://www.unite.ai/ibm-releases-granite-patchtst-fm-r2-zero-shot-time-series-model/)
• The Agent Times. (2026, 10. September). IBM Releases Top-Ranked Open Time Series Model Under Apache 2.0 License. Abgerufen von [https://theagenttimes.com/articles/ibm-releases-top-ranked-open-time-series-model-under-apache--61bb50ab](https://theagenttimes.com/articles/ibm-releases-top-ranked-open-time-series-model-under-apache--61bb50ab)
• TPS Report. (2026, 9. September). IBM Granite PatchTST-FM-r2: SOTA Time Series Forecasting Model. Abgerufen von [https://tpsreport.news/news/ibm-granite-patchtst-fm-r2-time-series](https://tpsreport.news/news/ibm-granite-patchtst-fm-r2-time-series)
• AI Wins. (2026, 9. September). IBM Releases State-of-the-Art Granite Time Series Model for Businesses. Abgerufen von [https://www.aiwins.news/story/ibm-releases-state-of-the-art-granite-time-series-model-for-businesses-5925e1](https://www.aiwins.news/story/ibm-releases-state-of-the-art-granite-time-series-model-for-businesses-5925e1)
• NerdsTool. (2026, 9. September). IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license. Abgerufen von [https://nerdstool.com/blog/ibm-releases-sota-granite-time-series-patchtst-fm-r2-model-with-commercial-frien](https://nerdstool.com/blog/ibm-releases-sota-granite-time-series-patchtst-fm-r2-model-with-commercial-frien)
• daily.dev. (2026, 9. September). IBM releases SOTA Granite Time Series PatchTST-FM-r2... Abgerufen von [https://daily.dev/posts/ibm-releases-sota-granite-time-series-patchtst-fm-r2-model-with-commercial-friendly-license-xbwkizgkr](https://daily.dev/posts/ibm-releases-sota-granite-time-series-patchtst-fm-r2-model-with-commercial-friendly-license-xbwkizgkr)
• GitHub. (n.d.). ibm-granite/granite-tsfm: Foundation Models for Time Series. Abgerufen von [https://github.com/ibm-granite/granite-tsfm](https://github.com/ibm-granite/granite-tsfm)