在AI领域，时间序列预测一直是金融、能源、交通等行业的基础需求。传统方法需要针对每个数据集单独训练模型，耗时且成本高昂。2026年9月8日，IBM正式发布Granite Time Series PatchTST-FM-r2（以下简称PatchTST-FM-r2），这款约3.85亿参数的基础模型能够在无需微调的情况下，直接对未见过的时序数据进行零样本预测，引发行业关注。
核心技术：Conformer架构与零样本能力
PatchTST-FM-r2基于Transformer架构改良的Conformer块构建。Conformer结合了多头自注意力机制与时间卷积操作，使其能同时捕捉时序数据中的长期依赖关系与短期波动模式。模型支持最长8192个时间步的上下文窗口，并可通过99分位数预测头输出概率性预测结果，还能对缺失值进行 imputation（填补）处理。
该模型的零样本预测能力尤为突出。在GIFT-Eval综合基准测试中（该基准涵盖多样化预测场景并严格防止测试数据泄露），PatchTST-FM-r2在可复现零样本模型中排名第二，仅次于TimesFM-3，同时是所有采用商业友好开源协议的模型中综合表现最优的。在CRPS（连续排名概率得分）和MASE（平均绝对缩放误差）两项关键指标上，PatchTST-FM-r2分别达到0.467和0.6846的几何平均成绩。
即便与允许在预训练阶段使用GIFT-Eval评估数据集的预训练模型相比，PatchTST-FM-r2依然保持强劲竞争力——在可复现模型中CRPS排名第三、MASE排名第四，超越多款同类预训练方案。
开源许可：Apache 2.0让商业落地无障碍
长期以来，AI基础模型的高昂许可费用限制了中小企业和研究机构的应用。PatchTST-FM-r2采用Apache 2.0与OpenMDW 1.0双许可证模式（用户可二选一），允许在商业产品中自由使用模型权重、架构定义及推理流程。IBM同时公开了可复现基准测试结果的完整代码与推理流水线，降低了第三方验证和二次开发的门槛。
流数据集成与行业应用
IBM还展示了PatchTST-FM-r2在流式生产环境中的集成方案。通过与数据流平台Confluent合作，模型可实时接入Kafka生态，实现”数据到达即预测”的闭环。这对于需要实时库存调配、动态定价、异常检测的业务场景具有直接价值。官方列举的适用场景覆盖需求预测、价格预测、能源负荷预测、交通流量预测及设备遥测数据分析等。
行业背景：开源模型竞争加剧
2026年下半年，基础模型开源竞争持续升温。在时序预测赛道，Google的TimesFM系列、Salesforce的Lag-Llama等陆续开源各有所长。PatchTST-FM-r2的差异化在于明确瞄准”商业友好”这一定位——不设使用量限制、不要求收入分成，且在基准测试中性能仅次于非开源的TimesFM-3，为企业提供了性能与成本之间的新平衡点。
小结
IBM此次发布的PatchTST-FM-r2，以相对轻量的参数规模（3.85亿）在零样本时序预测上取得了接近闭源大模型的精度，同时通过Apache 2.0许可彻底扫清了商业部署的法律障碍。随着实时数据驱动决策需求的增长，这类高性能开源时序基础模型的价值正在凸显——它们让没有专属数据科学团队的企业也能获得前沿预测能力。