IBM Research detalha receita que combina quatro modelos Granite para previsão
A IBM Research publicou no Hugging Face uma receita que combina quatro modelos Granite pré-treinados para gerar previsões sem retreinamento. Em avaliação no GIFT-Eval, o método teve desempenho agregado competitivo, mas não liderou todas as métricas.
A IBM Research publicou no Hugging Face uma receita que combina quatro modelos Granite pré-treinados para prever séries temporais. A configuração padrão reúne as previsões dos modelos e produz uma previsão central e outras que indicam diferentes faixas de resultado, sem retreinamento nem ajuste de pesos com erros históricos.
A receita padrão dá influência igual a cada modelo. Uma alternativa, chamada IQR Ensemble, dá mais peso aos modelos com intervalos de previsão mais estreitos. Segundo a IBM Research, intervalos menores não significam necessariamente maior precisão ou melhor calibração; a empresa recomenda comparar as opções com dados representativos da aplicação.
As duas receitas foram avaliadas em 97 configurações do GIFT-Eval, sem ajuste fino. O ensemble probabilístico obteve MASE de 0,683, ante 0,685 do melhor modelo individual nessa métrica. Já o PatchTST-FM-r2 teve o menor resultado agregado em CRPS/MWQL. A comparação usa resultados e classificações do benchmark registrados em 20 de outubro de 2026, e ganhos agregados não garantem melhora em cada série.
A receita carrega os quatro modelos no primeiro uso, o que aumenta o tempo de inferência e o uso de memória em relação a um único modelo. Também prevê canais multivariados de forma independente, sem usar informações entre eles, e não garante calibração ou robustez quando os dados mudam. Receitas expandidas incluem modelos com termos de licença próprios, alguns com restrições a uso comercial.
O que muda para você
A receita serve a quem desenvolve sistemas de previsão com o Granite TSFM e quer combinar modelos sem retreiná-los. O código pode ser carregado pelo Hugging Face, mas a fonte recomenda testar as opções com dados representativos da aplicação. O primeiro uso baixa quatro modelos e exige mais tempo e memória que um modelo único; para quem não trabalha com previsão de séries temporais, nada muda no uso cotidiano.
Minha leitura
Reduzir a escolha entre modelos é útil, mas não elimina a validação. A diferença de MASE para o melhor modelo individual é pequena, e outra métrica favorece o PatchTST-FM-r2. Eu trataria a receita como ponto de partida: a decisão depende de como ela se sai nos dados e horizontes da aplicação, além do custo de carregar quatro modelos.
Thiago FelizolaConsultor de IA, curador do Diário da IA
