KI SpotlightNewsKumo Forecast: NVIDIA veröffentlicht Zeitreihenmodell mit kNN-Retrieval unter Apache 2.0
Das frühere NV-Tesseract Forecasting basiert auf MOMENT-1-large. Belege für einen Vorsprung des Retrieval-Modus DARR fehlen, und die alte Modellkarte nennt das Modell „nur für Forschung“.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- NVIDIA Kumo Forecast ist ein multivariates Zeitreihen-Forecasting-Modell mit Transformer-Backbone und DARR.
- Das Modell basiert auf MOMENT-1-large mit ca. 340 Mio. Parametern im Basis-Encoder.
- Code und Gewichte stehen unter Apache 2.0 auf GitHub und Hugging Face.
- Beim Training bleiben Encoder und Embedder eingefroren; nur der Forecasting-Head wird trainiert.
- DARR ergänzt die Prognose durch k-Nearest-Neighbor-Suche in historischen Daten über context_df.
Kumo Forecast: NVIDIA öffnet Zeitreihenmodell unter Apache 2.0
NVIDIA hat das multivariate Forecasting-Modell Kumo Forecast veröffentlicht. Zuvor lief es als NV-Tesseract Forecasting. Laut unite.ai erfolgte die Ankündigung am 21. Oktober 2026. Den zugehörigen Hugging-Face-Blogpost verfassten Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz und Viraj P Modak.
Technisch setzt das Modell auf MOMENT-1-large, einen Transformer-Encoder mit rund 340 Millionen Parametern. Hinzu kommt ein trainierbarer Forecasting-Head. Beim Training bleiben Encoder und Embedder eingefroren, angepasst wird nur der Head. Für eigene Daten fällt so weniger Trainingsaufwand an, weil das vortrainierte Backbone unverändert bleibt.
Den Code stellt NVIDIA im Repository NVIDIA/Kumo-TS bereit, die Gewichte liegen als nvidia/Kumo-Forecast auf Hugging Face. Beide stehen unter Apache 2.0. Die Bibliothek enthält außerdem das diffusionsbasierte Paket Kumo-Anomaly.
Genutzt wird das Modell über eine DataFrame-orientierte API. Eingabe sind numerische Zeitreihen mit Zeitstempelspalte, als pandas DataFrame, CSV oder JSON. Ausgegeben wird ein DataFrame mit Zeitstempeln und Prognosewerten. Unterstützt werden Eingabelängen von 256, 512, 1024 und 2048 Beobachtungen. Die Horizonte lassen sich konfigurieren. Für Prognosen über die Standardreichweite hinaus gibt es eine autoregressive Erweiterung.
DARR nutzt kNN-Suche in historischen Daten, ein Vorteil ist nicht belegt
Als Zusatz bietet Kumo Forecast den Modus DARR (Domain-Aware Representation and Retrieval). Er ergänzt die direkte Prognose um eine k-Nearest-Neighbor-Suche in historischen Daten. Den Verlauf übergibt der Nutzer getrennt vom Modelleingabefenster über das Argument context_df. Ein modellunabhängiges Interpretierbarkeits-Framework erzeugt horizontspezifische Erklärungen, ohne den Forecaster selbst zu verändern.
NVIDIA nennt DARR „novel“ und hält das Modell für geeignet für „accurate long-horizon time series predictions“. Dabei handelt es sich um Herstellerangaben. Das vorliegende Material enthält weder Benchmarkzahlen noch Vergleiche mit anderen Zeitreihenmodellen.
Retrieval ist für Zeitreihen keine neue Idee. Die Modellkarte selbst nennt TimeRAF und Memory-Augmented Forecasting als Referenzen. Ob DARR gegenüber diesen Ansätzen methodisch oder messbar besser ist, lässt sich dem Material nicht entnehmen. Wer das Modell einsetzen will, sollte die Prognosequalität deshalb auf eigenen Daten prüfen.
„Nur für Forschung“: Die alte Modellkarte passt nicht zur Lizenz
Bei der Einsatzreife ist die Dokumentation widersprüchlich. Die frühere Modellkarte unter dem Namen NV-Tesseract-Forecasting hält fest: „This model is for research and development only“. Dieselbe Karte nennt als Zielgruppe jedoch Unternehmen, Organisationen und Forschungseinrichtungen, die Kurz- und Langfristprognosen erstellen wollen. Die Apache-2.0-Lizenz erlaubt zudem kommerzielle Nutzung.
Ob der R&D-Hinweis in der aktuellen Fassung der Kumo-Forecast-Karte entfallen ist, lässt sich dem Material nicht entnehmen. Wer das Modell produktiv einsetzen will, sollte deshalb die aktuelle Modellkarte prüfen.
