IBM lança modelo Granite Time Series para previsão zero-shot com licença comercial

A IBM acaba de publicar o Granite Time Series PatchTST-FM-r2, a nova versão do seu modelo de fundação para previsão de séries temporais. O lançamento chama atenção por um detalhe que costuma ficar em segundo plano nesse tipo de anúncio: a licença. O modelo é distribuído sob Apache 2.0 e OpenMDW 1.0, duas licenças permissivas que permitem uso comercial sem restrições — um contraste com a maioria dos concorrentes, que mantém seus pesos abertos apenas para pesquisa.

O que o modelo faz

Em vez de treinar um modelo específico para cada série (vendas, consumo de energia, tráfego, telemetria), o PatchTST-FM-r2 gera previsões zero-shot: ele é usado diretamente sobre dados que nunca viu, sem ajuste fino. São aproximadamente 385 milhões de parâmetros, contexto de até 8.192 passos e previsões probabilísticas por meio de um cabeçalho de 99 quantis — o que significa que ele entrega não só o valor central, mas também intervalos de incerteza.

Desempenho no benchmark GIFT-Eval

Na data do anúncio (8 de setembro de 2026), o modelo era o melhor zero-shot com licença permissiva no leaderboard GIFT-Eval, um benchmark abrangente de previsão. Entre os modelos replicáveis e zero-shot, ficou em 2º lugar em CRPS e MASE — e chegou a 3º e 4º lugares mesmo quando os modelos “pretrained” (que podem ter os dados de teste no corpus de treino) entram na comparação, superando nomes como Chronos-2 e Timer-S1.

O que mudou na arquitetura

A principal novidade em relação ao r1 é a troca dos blocos de transformer padrão por blocos conformer, que combinam atenção multi-cabeça com convolução temporal. A atenção captura relações de longo prazo entre os patches, enquanto a convolução cobre a estrutura local — uma combinação herdada do processamento de fala. O modelo também usa patches com 50% de sobreposição e ponderação de Hamming para suavizar as fronteiras.

Como usar

O uso é direto: instale o pacote granite-tsfm, carregue o checkpoint do Hugging Face Hub e rode um pipeline de previsão com algumas linhas de Python — sem fine-tuning. Para cenários de streaming, a IBM e a Confluent disponibilizaram modelos da família Granite Time Series em acesso antecipado no Confluent Cloud, com inferência via Apache Flink.

Para times brasileiros que operam com demanda, preço de energia ou logística, a combinação de desempenho forte e licença comercialmente amigável reduz a barreira de entrada para adotar modelos de fundação em produção.