{"id":702,"date":"2026-09-09T18:34:37","date_gmt":"2026-09-09T21:34:37","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/granite-patchtst-fm-r2-ibm-previsao-zero-shot\/"},"modified":"2026-09-09T18:34:37","modified_gmt":"2026-09-09T21:34:37","slug":"granite-patchtst-fm-r2-ibm-previsao-zero-shot","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/granite-patchtst-fm-r2-ibm-previsao-zero-shot\/","title":{"rendered":"Granite Time Series PatchTST-FM-r2: como o novo modelo da IBM faz previs\u00e3o zero-shot com licen\u00e7a comercial"},"content":{"rendered":"

A IBM publicou no dia 9 de setembro de 2026 o Granite Time Series PatchTST-FM-r2<\/strong>, sucessor do PatchTST-FM-r1. O an\u00fancio foi feito no blog da Hugging Face pela equipe da IBM Research e o modelo j\u00e1 est\u00e1 dispon\u00edvel no Hub com pesos abertos, c\u00f3digo de infer\u00eancia e scripts para reproduzir os n\u00fameros do benchmark. \u00c9 um foundation model de s\u00e9ries temporais de aproximadamente 385 milh\u00f5es de par\u00e2metros, distribu\u00eddo sob dupla licen\u00e7a (Apache 2.0 e OpenMDW 1.0), o que permite uso comercial sem as restri\u00e7\u00f5es t\u00edpicas de licen\u00e7as de pesquisa.<\/p>\n

Segundo a pr\u00f3pria IBM, o modelo \u00e9 hoje o mais bem colocado, dentro da categoria de modelos zero-shot replic\u00e1veis com licen\u00e7a comercial permissiva, no GIFT-Eval<\/a>. Ficou em segundo lugar geral entre modelos zero-shot replic\u00e1veis nessa mesma categoria. Vou explicar o que isso significa na pr\u00e1tica, como a arquitetura mudou em rela\u00e7\u00e3o ao r1, e mostrar como rodar previs\u00e3o nos seus pr\u00f3prios dados.<\/p>\n

O que \u00e9 o GIFT-Eval e por que a categoria importa<\/h2>\n

Antes de falar do modelo, precisa entender contra o que ele foi medido. O GIFT-Eval \u00e9 um benchmark de forecasting geral que abrange 23 datasets, mais de 144 mil s\u00e9ries temporais e 177 milh\u00f5es de pontos, cobrindo sete dom\u00ednios, dez frequ\u00eancias, entradas multivariadas e horizontes de previs\u00e3o de curto a longo prazo. Combinando datasets, frequ\u00eancias e horizontes, o GIFT-Eval oferece 97 tarefas distintas de benchmarking.<\/p>\n

O ponto sutil, e que a IBM enfatiza, \u00e9 a distin\u00e7\u00e3o entre “zero-shot” e “pretrained”. No GIFT-Eval, alguns modelos s\u00e3o categorizados como pretrained porque podem ter inclu\u00eddo partes de treino dos datasets de avalia\u00e7\u00e3o no pr\u00f3prio corpus de pretreino. Isso vaza informa\u00e7\u00e3o e ajuda os n\u00fameros. Zero-shot significa que o modelo nunca viu aqueles datasets. \u00c9 a categoria mais honesta quando o objetivo \u00e9 medir generaliza\u00e7\u00e3o.<\/p>\n

Nas duas m\u00e9tricas principais (CRPS, que mede a qualidade da previs\u00e3o probabil\u00edstica, e MASE, que mede o erro escalado por uma baseline sazonal), o PatchTST-FM-r2 aparece em segundo lugar na categoria zero-shot replic\u00e1vel. A IBM reporta CRPS geom\u00e9trico m\u00e9dio de 0,467 e MASE geom\u00e9trico m\u00e9dio de 0,6846. Quando o comparativo \u00e9 ampliado para incluir modelos pretrained, ele ainda fica em terceiro para CRPS e quarto para MASE, superando Chronos-2, Timer-S1 e variantes do Toto.<\/p>\n

Um detalhe honesto sobre esse ranking<\/h3>\n

Ranking em benchmark \u00e9 uma foto. O post da IBM<\/a> data de 9 de setembro de 2026 e o pr\u00f3prio GIFT-Eval recebe submiss\u00f5es novas continuamente. Quando voc\u00ea ler isso, a ordem pode ter mudado. O que importa mais \u00e9 entender o mecanismo, porque isso n\u00e3o muda.<\/p>\n

Como a arquitetura mudou do r1 para o r2<\/h2>\n

O r2 mant\u00e9m a ideia central da fam\u00edlia PatchTST: quebrar a s\u00e9rie temporal em peda\u00e7os (patches) e tratar cada patch como um token, algo an\u00e1logo ao que o Vision Transformer faz com imagens. A mudan\u00e7a grande est\u00e1 no bloco interno.<\/p>\n

Da camada transformer para a camada conformer<\/h3>\n

No r1, cada bloco era um transformer padr\u00e3o: multi-head self-attention seguido de uma feed-forward network. No r2, o bloco virou um conformer. O conformer \u00e9 uma arquitetura que veio do reconhecimento de fala. A ideia \u00e9 combinar o melhor dos dois mundos: features globais extra\u00eddas pelo transformer e features locais aprendidas pelo m\u00f3dulo de convolu\u00e7\u00e3o.<\/p>\n

Estruturalmente, o Conformer \u00e9 composto por duas camadas feed-forward em estilo macaron com conex\u00f5es residuais de meio passo, envolvendo os m\u00f3dulos de multi-head self-attention e de convolu\u00e7\u00e3o. Traduzindo: sandu\u00edche com meia FFN em cima, aten\u00e7\u00e3o no meio, convolu\u00e7\u00e3o depois, e meia FFN embaixo. Cada metade contribui com meio residual, por isso o nome macaron.<\/p>\n

Por que isso ajuda uma s\u00e9rie temporal? Aten\u00e7\u00e3o \u00e9 boa para rela\u00e7\u00f5es de longo alcance mas tem vi\u00e9s fraco para estrutura local. Convolu\u00e7\u00e3o \u00e9 o oposto. As camadas multi-head self-attention usam aten\u00e7\u00e3o com produto escalado para capturar varia\u00e7\u00f5es globais na sequ\u00eancia, e como a convolu\u00e7\u00e3o captura informa\u00e7\u00e3o local, aumentar as camadas de transformer com camadas de convolu\u00e7\u00e3o melhora o desempenho. Em s\u00e9ries temporais, voc\u00ea tem sazonalidade curta (o padr\u00e3o das \u00faltimas horas) e tend\u00eancia longa (o comportamento das \u00faltimas semanas). Cada mecanismo cobre um lado.<\/p>\n

A IBM inclusive mostra um gr\u00e1fico de padr\u00f5es de aten\u00e7\u00e3o no dataset ETTh1: no transformer puro, a aten\u00e7\u00e3o se concentra perto da diagonal (rela\u00e7\u00f5es locais). No conformer, a aten\u00e7\u00e3o espalha para longe da diagonal, porque a convolu\u00e7\u00e3o j\u00e1 cobre o curto alcance e libera a aten\u00e7\u00e3o para focar no longo. \u00c9 uma consequ\u00eancia arquitetural bem leg\u00edvel.<\/p>\n

Outros detalhes que a IBM lista<\/h3>\n