IBM 发布了 Granite 时间序列家族的新模型 PatchTST-FM-r2，定位是高性能零样本预测，并采用对商用友好的开源许可。模型约 385M 参数，支持最长 8,192 步的上下文，通过 99 分位数预测头同时输出点预测和概率分布。相比上一版 r1，骨干网络从标准 Transformer 层换成 conformer 层，并在 patch 之间加入重叠、加窗和 overlap-and-add 策略，以提升预测平滑度。

在 GIFT-Eval 基准上，截至 2026 年 9 月 8 日，PatchTST-FM-r2 在可复现的零样本模型中排名第二：几何平均 CRPS 为 0.467，MASE 为 0.6846，仅次于 TimesFM-3。如果把允许使用基准训练数据的预训练模型也纳入比较，该模型仍排到 CRPS 第 3、MASE 第 4，甚至超过 Chronos-2、Timer-S1 和部分 Toto 变体。更重要的是，在宽松商业许可的同类模型中，PatchTST-FM-r2 是当前表现最好的一个。

架构层面，r2 没有沿用 r1 的“多头自注意力 + 前馈网络”块，而是改用 conformer 块：两个半步前馈层夹着多头注意力和一层时间卷积。注意力负责捕捉 patch 之间的长程关系，卷积则用较小的感受野处理局部短时结构。IBM 用 ETTh1 数据展示了注意力图的变化：Transformer 的注意力大量集中在对角线附近，而 conformer 的注意力明显更多分布到远距离位置。骨干中卷积核大小按 {5, 5, 3, 3} 的模式交替。此外，r2 使用 50% 重叠的 patch，配合 Hamming 窗和 overlap-and-add 来柔化 patch 边界，并增加了归一化，block 数从 20 扩到 30。

训练数据方面，IBM 明确列出了四个来源：GiftEvalPretrain 中的部分数据集、基于 KernelSynth 修改周期核的合成数据、按 Chronos 方法生成但排除 GIFT-Eval 评估集的 TSMixup 语料，以及约 50 万条长度 4,096 的 CauKer 合成序列。相比很多不公开训练语料的模型，这种透明度让企业更容易做自己的治理和许可审查。官方也提醒，这不能替代企业自身的安全审查，但至少提供了更多依据。

许可上，PatchTST-FM-r2 采用 Apache 2.0 与 OpenMDW 1.0 双许可，用户可任选其一。Apache 2.0 是常见的宽松许可，OpenMDW 则是 Linux Foundation 专门为 AI 模型设计的许可框架。模型权重、架构、推理流程和复现基准的代码都已开放，并且实现与 Granite-TSFM 仓库兼容，向后兼容 r1 的 checkpoint。

上手很简单：安装 granite-tsfm（>=0.3.9）后，直接从 Hugging Face Hub 加载 ibm-granite/granite-timeseries-patchtst-fm-r2，传入最近一段历史序列即可得到未来预测和指定分位数，无需微调。应用场景覆盖需求预测、价格、能源负载、流量、遥测等规律采样的时间序列。

对于流式数据场景，IBM 与 Confluent 合作，把 Granite 系列模型（包括 PatchTST-FM-r1、FlowState-r1.1、TTM-r3、TSPulse）以 Early Access 形式接入 Confluent Cloud，通过 Apache Flink 直接在流上做推理和异常检测，不需要把数据搬到独立 ML 环境。这算是把零样本基础模型从离线 notebook 推向了生产级流处理管道。