IBM Research amplia portfólio de modelos de séries temporais para inteligência em tempo real no Hugging Face
A IBM Research disponibilizou no Hugging Face uma nova geração de modelos de fundação para análise de séries temporais voltados a aplicações de inteligência em tempo real. Os modelos fazem parte da família Granite Time Series e ocupam posições de destaque no leaderboard GIFT-Eval, referência usada pela comunidade para comparar modelos desse tipo.
Entre os modelos liberados estão o FlowState-r1.1, voltado para previsão pontual, o PatchTST-FM-r1, voltado para previsão probabilística, além do TTM-r3 e do TSPulse-r1, modelos compactos com cerca de um milhão de parâmetros que permitem inferência sem necessidade de GPU e se destacam em tarefas de previsão eficiente, detecção de anomalias e classificação.
O TSPulse, que teve aceitação confirmada no ICLR 2026, utiliza a arquitetura TSMixer como base, combinando blocos de perceptrons multicamada com mecanismos de atenção seletiva. Sua estratégia de reconstrução mascarada opera de forma conjunta nos domínios do tempo e da frequência, permitindo identificar padrões complementares em um espaço de embeddings unificado.
O TTM, conhecido como Tiny Time Mixers, ultrapassou a marca de 37 milhões de downloads no Hugging Face, evidenciando a adoção da comunidade em relação aos modelos leves de séries temporais da IBM. Os modelos de pesquisa estão disponíveis sob licença não comercial, enquanto a família Granite de séries temporais é distribuída sob licença Apache 2.0, mais permissiva.
Os modelos são indicados para cenários que exigem análises rápidas de grandes volumes de dados temporais, como monitoramento de operações de TI, gestão de ativos físicos e aplicações industriais automatizadas. Por serem ultraleves, podem ser implantados em infraestruturas com recursos computacionais limitados, ampliando as possibilidades de uso em ambientes corporativos e de borda.
Com a disponibilização no Hugging Face, pesquisadores e desenvolvedores podem acessar os pesos abertos dos modelos, ajustá-los para tarefas específicas e integrá-los em pipelines próprios de análise temporal, reforçando o movimento da IBM Research em direção à abertura e à colaboração com a comunidade de código aberto em inteligência artificial.
