IBM Research lança novos modelos Granite para análise de séries temporais no Hugging Face
A IBM Research disponibilizou uma nova geração de modelos Granite dedicados à análise de séries temporais, com versões otimizadas para previsão de dados, classificação e detecção de anomalias. Os modelos foram publicados na plataforma Hugging Face como parte da estratégia de código aberto da empresa e já figuram entre os melhores colocados em benchmarks internacionais da área.
A família reúne três arquiteturas principais: FlowState, Tiny Time Mixer (TTM) e Time Series Pulse (TSPulse). A característica mais marcante do conjunto é o tamanho reduzido: são modelos leves, com poucos milhões de parâmetros, capazes de rodar sem o uso de placas de vídeo dedicadas (GPU-free inference), o que facilita a adoção em ambientes com recursos computacionais limitados. Mesmo com esse porte compacto, os modelos entregam resultados competitivos em tarefas de previsão, classificação, detecção de anomalias, imputação de valores ausentes e busca por similaridade em séries temporais.
O FlowState-r1.1 se destaca no cenário de previsão pontual sem necessidade de ajuste prévio, conhecido como zero-shot forecasting. O modelo ocupa a terceira posição no ranking GIFT-Eval, hospedado no Hugging Face, considerando modelos replicáveis e sem vazamento de dados, conforme dados de outubro de 2025. Já o PatchTST-FM-r1 foi reconhecido na categoria de previsão probabilística, também entre modelos replicáveis e não agênticos. Os modelos TTM-r3 e TSPulse-r1, por sua vez, são voltados para previsão eficiente, detecção de anomalias e classificação.
A linha TTM, chamada oficialmente de TinyTimeMixers, foi apresentada originalmente em artigo aceito na conferência NeurIPS 24. A nova versão, TTM-R3, incorpora inovações arquiteturais voltadas para elevar a precisão em cenários de previsão em alta velocidade, um requisito comum em aplicações industriais. Entre as novidades está a decomposição tendência-residual, que separa a modelagem de tendências de longo prazo dos resíduos de alta frequência, melhorando o aprendizado estrutural dos dados. A arquitetura utiliza mecanismos de atenção baseados em portais lineares, evitando o custo computacional elevado da autoatenção tradicional.
De acordo com a documentação oficial, o Granite-TTM-R3 alcança ganhos de velocidade de 15 a 50 vezes em relação a diversos modelos populares de referência, sem comprometer a acurácia. Esse desempenho estabelece um novo parâmetro para soluções que combinam rapidez e confiabilidade em previsão de séries temporais. A IBM também destaca a capacidade de seleção adaptativa de modelos, o que contribui para equilibrar precisão e eficiência em diferentes cenários de uso.
O TSPulse, por sua vez, é descrito como um modelo pré-treinado compacto que opera em espaços duais, voltado para análise rápida de séries temporais. A estratégia busca acelerar tarefas como detecção de anomalias e classificação, mantendo a eficiência computacional como prioridade. Toda a família foi treinada em conjuntos de dados curados e está disponível em pesos abertos no Hugging Face, com versões de pesquisa sob licença não comercial e a família principal de modelos Granite sob licença permissiva Apache 2.0.
A receptividade da comunidade já é expressiva: os modelos TTM somam mais de 37 milhões de downloads na plataforma Hugging Face. O ecossistema aberto também inclui versões anteriores como TTM-R1 e TTM-R2, além de variantes como PatchTST e PatchTSMixer, ampliando o leque de opções para desenvolvedores e pesquisadores que trabalham com dados temporais em aplicações empresariais e acadêmicas.
