IBM rilascia PatchTST-FM-r2, modello time-series da ~385M parametri
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Granite Time Series PatchTST-FM-r2 porta forecasting probabilistico, imputazione dei dati e code+pesos sotto licenze commercial-friendly.
IBM mette online PatchTST-FM-r2: circa 385 milioni di parametri e primo tra i modelli zero-shot open “commercial-friendly” replicabili su GIFT-Eval al 8 settembre 2026. Nella stessa classifica è secondo in assoluto tra gli zero-shot replicabili1.
Il modello appartiene alla famiglia Granite Time Series Foundation Models. IBM pubblica pesi, architettura, pipeline di inferenza e codice per riprodurre i risultati dichiarati1.
R2 aggiorna PatchTST-FM-r1 con due mosse: architettura rivista e un corpus di pretraining più ampio. Arrivano anche forecasting probabilistico e imputazione dei valori mancanti. L’obiettivo resta il forecasting zero-shot su molteplici serie temporali senza addestrare modelli per singolo dataset1.
Il benchmark GIFT-Eval misura la qualità della previsione su scenari di serie temporali diversi. Nella leaderboard pubblica, IBM segnala PatchTST-FM-r2 come “state of the art” nel contesto zero-shot con licenze considerate “commercial-friendly”, con il posizionamento indicato sopra1.
Distribuzione e licenze seguono un’impostazione aperta. IBM rilascia il modello con Apache 2.0 e OpenMDW 1.0. La scelta abilita usi commerciali e facilita l’adozione in contesti aziendali che richiedono componenti riutilizzabili e auditabili1.
Il pacchetto include tutto ciò che serve per test rapidi e integrazioni: pesi e architettura per l’inferenza, oltre al codice necessario alla riproducibilità. Questo consente a team data e ingegneri MLOps di validare subito prestazioni e costi, senza passaggi di addestramento per ogni nuovo dataset1.
La proposta dei foundation model per serie temporali punta a cambiare il modo in cui si costruiscono sistemi di previsione. Invece di gestire una costellazione di modelli specialistici, un singolo modello preaddestrato produce previsioni in zero-shot. L’aggiunta del forecasting probabilistico e dell’imputazione amplia i casi d’uso: dal rischio e capacità produttiva alla gestione di sensori con dati rumorosi o incompleti1.
R2 riassume questa direzione: un unico modello generalista, prestazioni dimostrate su un benchmark pubblico, licenze adatte all’uso in produzione e materiali completi per la replica. Per chi valuta strumenti di forecasting, il punto pratico è la rapidità di prova: si scarica, si esegue, si confrontano metriche e costi con gli stack esistenti, usando gli stessi script resi disponibili da IBM1.
Prossimo banco di prova: portare lo zero-shot dal benchmark ai dati interni. Le aziende che operano su molte serie eterogenee — retail, energia, manifattura — possono verificare se il compromesso tra generalità e accuratezza locale regge anche fuori da GIFT-Eval. La disponibilità di codice e pesi riduce la barriera di ingresso e accelera queste verifiche1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.