IBM öffnet Granite PatchTST-FM-r2 für Zero-Shot-Prognosen

Laut Unite.AI hat IBM Granite Time Series PatchTST-FM-r2 am 9. September 2026 veröffentlicht. Das Modell mit rund 385 Millionen Parametern und offen zugänglichen Gewichten erreichte Rang zwei in einem Vergleich reproduzierbarer Zero-Shot-Modelle für Zeitreihenprognosen.

Der Rang allein reicht nicht. IBM legt auch Architektur, Inferenzpipeline und Reproduktionscode offen. Damit lässt sich die gemeldete Leistung nicht nur bestaunen, sondern gegen eigene Daten und bestehende Modelle prüfen.

Ein Modell für neue Zeitreihen

PatchTST-FM-r2 erzeugt Prognosen auf neuen Daten, ohne zuvor für die konkrete Aufgabe angepasst oder darauf trainiert zu werden. Laut IBM Research verarbeitet das Modell Kontexte mit bis zu 8.192 Zeitschritten und gibt probabilistische Vorhersagen über einen Kopf mit 99 Quantilen aus.

Die Prognose liefert dadurch nicht nur einen einzelnen Zukunftswert, sondern bildet mehrere mögliche Verläufe ab. Das kann bei Nachfrage- oder Telemetriedaten helfen, wenn neben dem erwarteten Wert auch Unsicherheitsbereiche für Planung und Grenzwerte benötigt werden. Ob diese Verteilung im eigenen Datenbestand ausreichend gut kalibriert ist, lässt sich jedoch nur mit einem passenden Test klären.

IBM beschreibt r2 als Nachfolger von PatchTST-FM-r1. Die neue Fassung verbindet eine aktualisierte Architektur mit einem größeren Vortrainingskorpus, probabilistischen Prognosen und der Fähigkeit, fehlende Werte zu imputieren, also Lücken in Zeitreihen zu ergänzen.

Rang zwei mit offenem Prüfpfad

In der am 8. September 2026 ausgewiesenen GIFT-Eval-Rangliste lag PatchTST-FM-r2 nach Angaben von IBM Research auf Platz zwei unter den reproduzierbaren Zero-Shot-Modellen. Unite.AI nennt geometrische Mittelwerte von 0,467 für CRPS und 0,6846 für MASE; bei beiden Fehlermetriken sind niedrigere Werte besser.

PatchTST-FM-r2 gewinnt den Gesamtvergleich damit nicht. Nach Angaben von IBM Research führt es jedoch die verglichenen Modelle mit einer permissiven, kommerziell freundlichen Open-Source-Lizenz an. Veröffentlicht ist das Modell unter Apache 2.0 und OpenMDW 1.0.

Für die Auswahl entsteht daraus ein konkreter Zielkonflikt: Der beste Ranglistenwert kann für ein Projekt weniger nützlich sein als ein Modell, dessen Gewichte, Architektur und Inferenzweg zugänglich sind und dessen Ergebnisse sich reproduzieren lassen. Ein Data-Science-Team kann PatchTST-FM-r2 deshalb direkt gegen die bisherige Baseline halten, statt die veröffentlichte Platzierung als Qualitätsurteil zu übernehmen.

Entscheidend sind die eigenen Zeitreihen

PatchTST-FM-r2 ist vor allem eine gut prüfbare offene Baseline. Der zweite Platz spricht weder automatisch für noch gegen einen produktiven Einsatz, denn dafür zählen neben Lizenz und Reproduzierbarkeit die tatsächlich benötigten Prognosehorizonte, Fehlwertmuster und Unsicherheitsbereiche.

Die offene Veröffentlichung senkt die Hürde für diesen Vergleich, ersetzt ihn aber nicht. Vor einem Wechsel sollten Entwicklungsteams das Modell mit denselben Nachfrage- oder Telemetriedaten prüfen, die später im Betrieb anfallen. Die Mindestregel bleibt klar: Erst gegen die eigene Baseline testen, dann entscheiden.