IBM 在 Hugging Face 发布 Granite 时间序列集成模型 R1，无需微调即可组合四种架构

IBM Research 通过 Hugging Face 发布了 Granite Timeseries Ensemble R1，这是一个包含四个预训练 Granite 模型的开源集成工具，旨在解决用户在选择单一时间序列模型时的不确定性。该方案无需针对特定数据集进行微调或拟合权重，直接加载即可输出中位数和分位数预测，默认采用概率集成（Probabilistic Ensemble）策略，将 PatchTST、Conformer、FlowState 和 TTM 四种不同架构的预测结果进行均匀加权融合。

在 GIFT-Eval 基准测试中（截至 2026 年 10 月 20 日快照），该集成方案在 MASE（平均绝对误差）指标上达到 0.683，优于所有单个成员模型（最佳单模型为 Granite PatchTST-FM-r2，得分 0.685），且平均排名更靠前。虽然 PatchTST-FM-r2 在 CRPS/MWQL（概率预测损失）单项上仍保持最低分，但 IQR 集成版本在综合排名上表现更佳。值得注意的是，该集成的优势在于鲁棒性而非绝对性能碾压，它能在不预先知晓数据特征的情况下提供稳定可靠的预测结果，避免了“挑选错误模型”的风险。

事实层面，该工具通过 API 接口加载四个独立检查点，增加了推理时间和内存占用，且当前版本仅支持多变量通道独立预测，未利用跨通道信息。推断层面，这种“无参数调整”的集成设计降低了企业部署门槛，适合对延迟不敏感但追求稳定性的场景；猜测层面，若未来引入更多异构模型或优化权重分配机制，可能进一步缩小与顶尖微调模型的差距，但需警惕过拟合风险及许可证限制带来的合规成本。