Vier Zeitreihen-Foundation-Modelle in sechs Wochen – Primärquellen gibt es nur für Timestral

Vier Prognosemodelle in sechs Wochen, nur eines mit Primärbeleg

Zwischen dem 10. September und dem 16. Oktober 2026 veröffentlichten vier Organisationen Zeitreihen-Foundation-Modelle: Huawei (Tabby), The Forecasting Company (t0-gamma), Mistral (Timestral) und JPMorganChase (Morpheus-2.0). Solche Modelle sollen neue Zeitreihen prognostizieren, etwa den stündlichen Strombedarf, ohne dass für jede Reihe ein eigenes Modell trainiert wird. Ein Artikel auf Towards Data Science stellt die vier nun gegenüber.

Belegt ist das bislang nur aus Teaser-Auszügen des Artikels und einer Zusammenfassung des Portals hyper.ai. Der Autor schreibt, er habe die drei Modelle mit öffentlichen Gewichten neu rechnen lassen. Dabei habe er gemessen, wie stark t0-gamma von Anpassungen zur Inferenzzeit profitiert. Die Ergebnisse stehen in den vorliegenden Auszügen nicht. Deshalb lassen sie sich weder nennen noch einordnen.

Primärquellen gibt es nur zu Timestral. Mistral hat das Modell als Familie mit vier Größen von 5M bis 209M Parametern veröffentlicht. Die Gewichte liegen auf Hugging Face, der Inferenzcode auf GitHub. Zu Tabby, t0-gamma und Morpheus-2.0 fehlen eigene Quellen.

Das Feld wächst schnell, wie eine arXiv-Zählung des Autors zeigt. Im Jahr 2023 fanden sich fünf Papers mit „time series foundation model“ in Titel oder Abstract. Bis zum 30. Oktober 2026 waren es 273.

Timestral-209M: Architektur und Benchmarks, deren Werte „verified: false“ tragen

Das größte Modell, Timestral-209M, ist ein patch-basierter Transformer mit Zeit- und Variate-Attention und 24 Layern. Der Kontext reicht bis zu 32.768 Zeitschritte, der Horizont bis zu 1.024 Schritte pro Forward-Pass. Das Modell gibt 21 Quantile aus. Es verarbeitet Kovariaten, auch solche, die in die Zukunft bekannt sind, und erwartet fehlende Werte als NaN.

Die Modellkarte nennt für GIFT-Eval einen MASE von 0,658 und einen CRPS von 0,446. Für TIME stehen dort MASE 0,626 und CRPS 0,522. Für fev-bench nennt sie einen SQL-Skill-Score von 50,39 und einen MASE-Skill-Score von 39,49. Dabei handelt es sich um Herstellerangaben. Die Metadaten versehen die Werte mit „verified: false“. Die Lizenz lautet „other“, ist also keine Standardlizenz.

Mistral behauptet, Timestral setze auf GIFT-Eval, TIME und fev-bench einen neuen Stand der Technik. Timestral-209M und -123M belegten auf jeder Metrik die ersten beiden Plätze. Prüfen lässt sich das durch einen Abgleich mit den Live-Leaderboards der drei Benchmarks. Das GIFT-Eval-Leaderboard führt dafür eine Spalte zu Testdaten-Leakage und ein Zero-Shot-Tag. Ein Vergleich setzt voraus, dass weder Leakage vorliegt noch GIFT-Eval-Trainingssplits genutzt wurden.

Bekannte Zukunftswerte: Laut hyper.ai liest Tabby sie nicht, die anderen Modelle schon

Den wichtigsten Unterschied sieht die hyper.ai-Zusammenfassung im Umgang mit verwandten Reihen und bekannten Zukunftsgrößen. Demnach prognostiziert Tabby jede Serie unabhängig. Bekannte Treiber wie Temperaturprognosen kann das Modell nicht nutzen. Timestral und t0 setzen ausgewählte Cross-Series-Attention-Layer ein. Zielreihen lesen so bekannte Zukunftskovariaten, ohne dass Zukunftswerte der Zielreihe einfließen. Morpheus-2.0 mischt in jedem Layer per Dual-Axis-Attention Zeit- und Variablendimension.

Allen vier Modellen gemeinsam sind laut Zusammenfassung Patches, Quantil-Prognosen und viel synthetisches Trainingsmaterial. Das gibt eine Zusammenfassung wieder und ist keine geprüfte Primärangabe. Praktisch relevant wäre der Unterschied für Teams, die Wettervorhersagen als Eingabe einbinden wollen.