К содержимому
Другое

1⃣ TimeSSM-10M

компактный прогнозист временных рядов на 10 млн параметров

3 мин чтенияобновлено

TimeSSM-10M — это zero-shot модель (работает без дообучения на ваших данных) для прогнозирования временных рядов от независимого исследователя Yvann Vincent. На вход она принимает историю наблюдений длиной до 4096 шагов в любом масштабе (даже с пропусками NaN) и за один проход выдаёт 9 квантилей прогноза на нужный горизонт без авторегрессионного цикла. В основе архитектуры лежит чередование слоёв пространства состояний (S4D) и внимания (attention) по патчам из 16 шагов, дополненное модулем без обучаемых весов RateIN, который прямо во время инференса подбирает оптимальную частоту дискретизации по прошлому ряда. Несмотря на скромный объём в 9,98 млн параметров и обучение с нуля на одной видеокарте A100 за 31 час, модель по метрикам на бенчмарке GIFT-Eval сопоставима с системами на 120M–2.5B параметров. Пригодится дата-сайентистам, инженерам и аналитикам для быстрого вероятностного прогнозирования метрик, спроса или нагрузки без тяжёлых GPU.

Ключевые особенности

  • Гибрид S4D и attention: 4 слоя объединяют диагональные модели пространства состояний (S4D) и каузальное внимание по патчам из 16 шагов.
  • Адаптация к частоте без дообучения: слой RateIN проверяет несколько масштабов частоты на истории ряда и смешивает лучшие прогнозы без подстройки весов.
  • Вероятностный прогноз за один проход: модель сразу предсказывает 9 квантилей (от 0.1 до 0.9) для всего горизонта через обучаемые будущие токены.
  • Чистый zero-shot: все ряды из бенчмарка GIFT-Eval были исключены из обучающей выборки по имени и значениям.
  • Полностью открытая лицензия: и веса модели, и код библиотеки timessm доступны под Apache-2.0.

Что можно сделать

  • Прогнозировать высокочастотные метрики: лучше всего модель проявляет себя на данных с интервалом от 5 до 15 минут и часовых рядах — например, для мониторинга серверов, энергопотребления или трафика.
  • Строить доверительные интервалы: использовать 9 выходных квантилей (включая медиану в 4-й колонке), чтобы оценивать не только средний прогноз, но и риски отклонений.
  • Запускать на скромном железе: благодаря размеру 9,98 млн параметров модель легко встроить в локальные пайплайны аналитики или CPU/GPU-сервисы без затрат на крупные foundation-модели.

Пример

import numpy as np
import torch
from timessm import from_pretrained, delta_scale

model = from_pretrained("IUseAMouse/timessm-10m")
series = np.sin(np.arange(1024) * 2 * np.pi / 24)
context = torch.tensor(series, dtype=torch.float32).unsqueeze(0)
w = delta_scale(24, *model.delta_range)
out = model.forecast(context, 48, w=w)  # [48, 9] квантилей
ПодробнееGIFT-Eval (97 конфигураций, zero-shot): MASE 0.6948, CRPS 0.4763 (80% интервал покрывает 79,3% целевых значений).
Среди открытых моделей до 10M параметров обходит Timestral-5M (CRPS 0.4789), FlowState-9.1M (0.5019) и Toto-2.0-4m (0.5242).
На годовых, квартальных и недельных рядах точность ниже, чем на интервалах от 5 минут до суток.
Обучена с нуля на 13,3 млрд точек публичных и синтетических рядов (200 000 шагов на 1x A100 за 31 час).
Обсудить Telegram 0 65

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # IUseAMouse/timessm-10m
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download IUseAMouse/timessm-10m --local-dir ~/models/timessm-10m
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к timessm-10m
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии timessm-10m — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

IUseAMouse/timessm-10m
Автор
IUseAMouse
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

650

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии