К содержимому
Другое

RetCast-JEPA

ультралегкие foundation-модели для прогнозирования временных рядов

2 мин чтенияобновлено

Семейство миниатюрных моделей с числом параметров от 2.05M до 9.19M, созданных с нуля на базе архитектуры RetNet2.0 и подхода JEPA (Joint Embedding Predictive Architecture, когда модель предсказывает смысл будущего в скрытом пространстве, а не зашумленные сырые значения). Разработка сочетает дельта-правило перезаписываемой памяти и предсказание эмбеддингов, обходя в ряде задач более тяжелые трансформеры. Модели обучались на разнообразных датасетах временных рядов без предварительного просмотра целевых тестовых задач. Решение подойдет исследователям и инженерам, которым требуется быстрый и точный прогноз временных рядов на слабом железе.

Ключевые особенности

  • Экстремальная легкость: версии от 2M до 9M параметров занимают от 8 до 35 MB в памяти и требуют минимум ресурсов.
  • Высокая скорость: работа в режиме инференса значительно быстрее громоздких аналогов вроде Google TimesFM 200M.
  • Архитектура RetNet2.0 + JEPA: использование дельта-правила памяти и предсказания паттернов вместо пошагового зашумления данных.
  • Высокая точность: низкие показатели MSE и MAE на тестах при минимальном потреблении VRAM.

Что можно сделать

  • Прогнозирование рядов: строить точечные и квантильные прогнозы для числовых рядов с помощью готовых вариантов моделей (`2m`, `5m`, `9m`).
  • Рекуррентный ролл-аут: запускать генерацию будущих состояний в латентном пространстве с постоянным $O(1)$-потреблением памяти.
  • Тестирование архитектур: изучать компоненты модели (включая абляции на RetNet и трансформерах) для исследовательских задач.
  • Интеграция в пайплайны: встраивать модели в пайплайны анализа данных на PyTorch для работы на GPU.

Пример

import torch
from retcast import RetCastJEPA

# Загружаем модель RetCast-JEPA 2M с HuggingFace Hub
model = RetCastJEPA.from_pretrained("starkprateek1/retcast-jepa", variant="2m", device="cuda")

# Подготовка контекста (B, L)
context = torch.randn(4, 512, device="cuda")
with torch.no_grad():
    out = model(context, horizon_len=192, mode="chunkwise")

point = out["point"]          # Точечный прогноз (4, 192)
quantiles = out["quantiles"]  # Квантили прогноза
ПодробнееБенчмарки: RetCast-JEPA 2M показывает Mean MSE 0.3706 против 0.3878 у Google TimesFM 200M.
Требования к железу: версия 2M требует всего 22.0 MB VRAM при инференсе.
Лицензия: MIT.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · BF16 — 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.

    # starkprateek1/retcast-jepa
    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 starkprateek1/retcast-jepa --local-dir ~/models/retcast-jepa
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к retcast-jepa
  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 retcast-jepa — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

starkprateek1/retcast-jepa
Автор
starkprateek1
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии