OmniTools 10月22日消息，Hugging Face 博客 10 月 22 日发布了 IBM Research 团队的 Granite Timeseries Ensemble（granite-timeseries-ensemble-r1）。该方案通过一套可扩展的预测接口，把四个预训练 Granite 时序模型组合起来，以减少使用者在模型选择上的不确定性。该方法无需重新训练，也不需要拟合集成权重，相关模型采用宽松许可。
默认配方包含四个架构互补的成员模型：Granite PatchTST-FM-r1（Patched Transformer）、Granite PatchTST-FM-r2（Patched Conformer）、Granite FlowState-r1.1（状态空间模型）和 Granite TTM-r3（Tiny Time Mixers）。在组合方式上，推荐的默认方案是概率集成（均匀概率池化），各成员权重固定、无需调参；另一种 IQR 集成则按各成员预测区间宽度自适应赋权，区间越窄，权重越高，并提供温度参数与单成员权重上限供实验。两种方案均输出中位数预测与 0.1 至 0.9 分位数预测。
在 97 个 GIFT-Eval 数据集配置上的评估显示，两个集成方案在整体 MASE 和平均 MASE 排名上均优于四个单一成员模型。概率集成的 MASE 为 0.683，略低于表现最好的单模型 PatchTST-FM-r2 的 0.685；但在 CRPS/MWQL 上，PatchTST-FM-r2 仍以 0.467 保持最低，IQR 集成则在平均 CRPS 排名上领先。团队指出，集成相对最佳单模型的误差优势幅度不大，其主要价值在于稳健性：无需预先判断哪种架构适合数据，即可获得相当或更好的整体精度。使用者可通过 granite-tsfm 0.3.11 及以上版本直接加载该配方，也可替换成员模型或聚合方式。团队同时提醒，基准测试的整体增益不代表每条序列都受益，仍需在代表性数据上做回测，并关注延迟、内存与各成员许可条款。
