IBM Granite PatchTST-FM-r2: SOTA open source en forecasting

IBM Granite PatchTST-FM-r2: SOTA open source en forecasting

IBM Research publicó Granite Time Series PatchTST-FM-r2, un modelo de base de ~385 millones de parámetros especializado en forecasting de series temporales. Al 8 de septiembre de 2026, ocupa el primer puesto del ranking GIFT-Eval entre los modelos replicables con licencia permisiva (uso comercial) y el segundo puesto general entre los modelos zero-shot replicables, solo por detrás de TimesFM-3. Todo el código, los pesos y la arquitectura están disponibles bajo doble licencia Apache 2.0 y OpenMDW 1.0 (esta última, un marco de la Linux Foundation pensado para modelos de IA), sin restricciones de uso comercial.

Por qué los modelos de base para series temporales cambian las reglas del juego

Durante años, las empresas entrenaban un modelo diferente para cada serie temporal: uno para demanda, otro para tráfico, otro para inventario. Eso encarece los proyectos, fragmenta el conocimiento y retrasa cada decisión. Los modelos de base (TSFM, por Time Series Foundation Models) invierten la lógica: se carga la serie histórica y se obtiene un forecast al instante, sin reentrenamiento. Para una startup, significa prototipar predicciones en horas en lugar de meses y dedicar más tiempo al producto que a la infraestructura de ML.

Qué trae PatchTST-FM-r2: arquitectura y cifras clave

PatchTST-FM-r2 es la segunda generación de la familia PatchTST-FM de IBM. Conserva la representación por parches que popularizó la familia, pero rediseña el interior. Los puntos más relevantes del anuncio:

• ~385 millones de parámetros, tamaño manejable para correr en hardware modesto.
• Ventana de contexto de hasta 8.192 pasos, útil para series largas como tráfico de red o lecturas de sensores.
• Predicción de 99 cuantiles, lo que entrega no solo un valor puntual sino bandas de incertidumbre útiles para planificación.
• Capacidades de imputación de valores faltantes, algo crítico cuando se trabaja con datos de producción ruidosos.
• Arquitectura Conformer: bloques que combinan autoatención multi-cabeza con convolución temporal. La atención captura relaciones largas entre parches; la convolución aporta un sesgo inductivo hacia patrones locales. Los núcleos alternan tamaños 3 y 5.
• Parches solapados al 50% con ventana de Hamming para suavizar los bordes entre parches.
• 30 bloques en el backbone (frente a los 20 de la versión r1) con normalización adicional para estabilidad.

El modelo ofrece salidas de punto y cuantiles para representar distribuciones de forecast, lo que habilita intervalos de incertidumbre en lugar de una única cifra.

Cómo se compara contra la competencia en GIFT-Eval

El benchmark GIFT-Eval (General Time-series Forecasting Evaluation) evalúa modelos en escenarios heterogéneos y separa dos categorías: los estrictamente zero-shot y los "pretrained" que pueden incluir partes del propio set de evaluación en su preentrenamiento. En el corte estricto zero-shot y reproducible:

• CRPS (Continuous Ranked Probability Score, menor es mejor): PatchTST-FM-r2 logra una media geométrica de 0,467, justo detrás de TimesFM-3 y primero entre los modelos con licencia permisiva.
• MASE (Mean Absolute Scaled Error, menor es mejor): media geométrica de 0,6846, también en segundo lugar entre los replicables zero-shot.

Cuando se suman al comparativo los modelos pretrained (los que tuvieron acceso a datos de evaluación), PatchTST-FM-r2 baja al 3º puesto en CRPS y 4º en MASE, pero supera a varios modelos pretrained más grandes, entre ellos variantes de Chronos-2, Timer-S1 y Toto. La conclusión operativa: con una fracción del tamaño, el modelo de IBM iguala o supera a rivales con más parámetros y más datos.

La jugada de fondo: Confluent y el forecasting en streaming

El anuncio llega en paralelo a un movimiento estratégico de IBM en torno al procesamiento de datos en vivo. Varios modelos de la familia Granite Time Series —PatchTST-FM-r1, FlowState-r1.1, TTM-r3 y TSPulse— ya están disponibles en Confluent Cloud a través de Apache Flink, en un programa de Early Access. El objetivo declarado es ejecutar forecasts y detección de anomalías directamente sobre flujos de datos en movimiento, sin mover la información a un entorno de ML separado. Para founders con productos que consumen telemetría, transacciones o señales IoT, eso abre la puerta a alertas y predicciones en tiempo real con muy poca infraestructura adicional.

Qué significa esto para tu startup

La noticia importa por dos razones prácticas, no solo técnicas.

1. Forecasting de grado empresarial ya no requiere un equipo de ML. Si tu producto necesita estimar demanda, rotación de inventario, consumo de energía o tráfico, puedes cargar un CSV con la serie histórica, llamar al pipeline granite-tsfm y obtener una predicción con bandas de incertidumbre. La doble licencia Apache 2.0 / OpenMDW 1.0 te deja usar el modelo en productos comerciales sin pagar regalías ni atarte a un proveedor. Para una startup en LATAM o España, esto nivela el acceso a capacidad predictiva que antes solo estaba al alcance de grandes corporativos.

2. Acciones concretas que podés implementar esta semana:

• Probalo con tus propios datos. El ejemplo oficial usa el dataset ETTh1; sustitúyelo por tu serie real (ventas diarias, uso de CPU, energía) con pandas y medí el CRPS contra un baseline simple tipo seasonal naive. El paquete se instala con pip install "granite-tsfm>=0.3.9" y carga los pesos directamente desde Hugging Face.
• Audita la gobernanza de tu modelo actual. Si hoy dependés de una API cerrada o de un modelo pretrained opaco, el documento de IBM enumera explícitamente sus fuentes de entrenamiento (GiftEvalPretrain, KernelSynth sintético, TSMixup fuera del set de evaluación, ~500.000 secuencias sintéticas CauKer). Esa transparencia se vuelve argumento de venta ante clientes enterprise que piden explicar de dónde vienen los datos.
• Evaluá la vía streaming si tu producto reacciona a eventos. La integración con Confluent Cloud + Flink permite generar forecasts sobre datos en movimiento; si ya trabajás con colas, webhooks o pipelines Kafka, es una ruta para explorar antes de montar tu propio servicio de inferencia.

Riesgo a vigilar: el modelo es zero-shot, no es una bala de plata. Series muy específicas de tu dominio (campañas estacionales raras, patrones regulatorios locales, lanzamientos puntuales) probablemente seguirán necesitando ajuste fino. La ventaja es que el costo de entrada a probarlo es prácticamente cero: son pesos abiertos y un paquete instalable.

Fuentes

• IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license (fuente original)