Granite Time Series PatchTST-FM-r2 est le nouveau modèle de prévision publié par IBM Research le 9 septembre 2026 sur Hugging Face. Ce modèle d’environ 385 millions de paramètres génère des prévisions sur de nouvelles séries de données sans réglage préalable ni ajustement spécifique à une tâche, et succède à la version PatchTST-FM-r1.
Une architecture repensée
PatchTST-FM-r2 remplace les blocs Transformer standards de la version précédente par des blocs « conformer », une architecture empruntée au traitement de la parole qui associe deux demi-couches feed-forward, une attention multi-têtes et une convolution temporelle. Le modèle passe à une dimension cachée de 1024 et à 30 blocs, contre 20 dans r1. Les données sont découpées en patchs de 16 pas avec un chevauchement de 50 % (stride de 8).
Le modèle accepte des séquences de contexte allant jusqu’à 8 192 pas et prédit 99 quantiles pour des horizons de prévision flexibles, ce qui permet d’obtenir directement une estimation probabiliste plutôt qu’une simple valeur moyenne. IBM indique aussi avoir élargi le corpus de préentraînement et ajouté un support natif de l’imputation des valeurs manquantes.
Une licence pensée pour un usage commercial
Contrairement à de nombreux modèles de recherche, PatchTST-FM-r2 est publié sous double licence : Apache 2.0 et OpenMDW 1.0, la licence de la Linux Foundation dédiée aux modèles ouverts. Les poids, l’architecture, le pipeline d’inférence et le code nécessaire pour reproduire les résultats de benchmark ont tous été publiés en même temps que le modèle, sur le dépôt Hugging Face d’IBM Granite.
Ce choix de licence distingue Granite Time Series de la plupart des modèles de recherche en séries temporelles, souvent publiés sous des licences non commerciales ou accompagnés de conditions d’usage restrictives. Une entreprise peut ainsi déployer PatchTST-FM-r2 en production, l’intégrer à ses propres outils ou le redistribuer, sans négociation préalable avec IBM.
Prévoir sans réentraîner
L’intérêt principal de l’approche « zero-shot » est de pouvoir appliquer le modèle directement à une nouvelle série temporelle – ventes, trafic réseau, consommation énergétique – sans collecter d’historique dédié ni relancer un entraînement complet. Une capacité utile pour les équipes qui n’ont ni les données ni les ressources nécessaires pour entraîner un modèle de prévision sur mesure. PatchTST-FM-r2 s’inscrit dans la famille des modèles de fondation Granite pour les séries temporelles, dont il devient la nouvelle référence.
Un choix d’architecture venu de la voix
Le recours aux blocs conformer marque un choix technique notable : cette architecture a d’abord été développée pour la reconnaissance vocale, où elle combine efficacement la capacité des transformers à capter des dépendances longues avec celle des convolutions à repérer des motifs locaux courts. Appliquée à des séries temporelles, cette combinaison permet au modèle de suivre à la fois des tendances de fond sur de longues périodes et des variations ponctuelles, comme un pic de trafic ou une rupture de stock. Le support natif de l’imputation des valeurs manquantes répond quant à lui à un problème courant sur des données réelles, souvent incomplètes ou irrégulièrement mesurées.
Les détails techniques complets figurent dans le billet de blog d’IBM Research sur Hugging Face.
Qu’est-ce que Granite Time Series PatchTST-FM-r2 ?
C’est un modèle de prévision temporelle publié par IBM Research le 9 septembre 2026, capable de générer des prévisions sur de nouvelles données sans réglage ni entraînement spécifique à la tâche (zero-shot).
Sous quelle licence est publié le modèle ?
PatchTST-FM-r2 est publié sous double licence Apache 2.0 et OpenMDW 1.0, la licence de la Linux Foundation dédiée aux modèles ouverts, ce qui autorise un usage commercial.
Qu’apporte cette version par rapport à PatchTST-FM-r1 ?
Le modèle passe à 30 blocs contre 20 auparavant, adopte une architecture à blocs conformer, accepte un contexte de 8 192 pas et prédit 99 quantiles pour des prévisions probabilistes plus fines.