Kumo Forecast（原 NV-Tesseract Forecasting）是 NVIDIA 开源的多元时间序列预测库，采用 Apache 2.0 许可。它的核心思路是把两类信息源结合：一是预训练阶段学到的时序表示，二是当前应用里可获取的历史观测。前者由基于 MOMENT-1-large 的 Transformer 主干提供，后者通过可选的检索路径接入。整体模型包含约 3.4 亿参数的基础编码器，外加一个可训练的预测头。库提供 DataFrame-first API，预测范围可配置，可以传入独立的历史上下文，并内置可解释性框架。模型代码位于 NVIDIA/Kumo-TS，权重位于 nvidia/Kumo-Forecast。

在直接预测路径中，Kumo Forecast 用 MOMENT Transformer 编码器对输入窗口编码，预测头将表示映射到未来值。训练时编码器和嵌入器权重冻结，只训练预测头。若预测范围超出模型原生能力，支持自回归方式递归扩展，生成长序列。

DARR（Domain-Aware Representation and Retrieval）模式是这套系统的关键增强。在该模式下，模型对单独传入的历史上下文做 k 近邻检索，找出与当前输入相关的历史模式，再把检索结果与直接预测融合。这里区分了“输入窗口”和“检索上下文”：输入窗口提供近期观测，用于直接推理；历史 DataFrame 通过 context_df 参数传入，用于模式检索。最终预测对直接路径和检索路径的依赖强度可通过配置调整。DARR 的机制细节对应论文 Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains。

可解释性方面，Kumo Forecast 提供模型无关的解释框架。启用后，每个预测范围都会得到一组解释，包括滞后与特征归因、语义流诊断、轨迹稳定性诊断，还可选嵌入集成梯度。这些解释与预测结果一起输出，不需要更换预测架构。相关方法见论文 NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates。

限制条件：输入必须是数值型时间序列，时间戳列加一个或多个数值列，以 pandas DataFrame、CSV 或 JSON 形式给出。支持的输入序列长度为 256、512、1024、2048 个观测。使用 DARR 模式时，历史上下文的维度需要与输入上下文相近。

官方仓库还提供在自定义 CSV 上微调 Kumo-Forecast 的示例。对于应用评估，NVIDIA 建议在同一留出预测窗口上比较直接配置与检索增强配置，并按实际预测范围和运行条件验证质量。演示方面，NVIDIA 的 Factory Operations (FOX) Blueprint 已包含早期访问的 Predictive Maintenance 模块，该模块结合 Kumo Anomaly 和 Kumo Forecast 分析实时数据、预测未来异常；平台集成演示可在 GTC San Jose 2026 的会议中查看。