英伟达Kumo预测融合预训练时间序列表示与历史模式检索及可解释性

英伟达在HuggingFace上发布了一款新的开源时间序列预测模型Kumo Forecast（前身为NV-Tesseract Forecasting），采用Apache 2.0协议，模型代码和权重均已公开。这款模型的核心思路是把预训练Transformer学到的通用时序表示，与从历史数据中检索出的相似模式结合起来做预测，并且首次把可解释性做成了随预测结果一起输出的标准配置。 Kumo Forecast基于MOMENT-1-large骨干网络构建，编码器约3.4亿参数，外接一个可训练的预测头。实际使用时，开发者只需传入一个DataFrame即可完成预测，预测周期可配置；如果目标周期超出模型原生能力，还支持自回归方式递归延长。真正让它区别于普通时序模型的是所谓的DARR模式（Domain-Aware Representation and Retrieval，领域感知表示与检索）：模型除了用最近的输入窗口做直接预测，还会从一个单独传入的历史DataFrame中，用最近邻方法检索出相似的历史走势，再把两路信息按可调权重融合。这意味着输入窗口和检索上下文是分开的两个概念，开发者可以自行控制最终预测更依赖模型直觉还是历史经验。 对跨境电商卖家和出海团队来说，这类工具的现实意义在于销量、流量、库存需求的预测往往高度依赖历史季节性规律，而纯预训练模型容易忽略企业自己的历史数据特征，DARR的检索机制正好补上这一块。更值得关注的是可解释性框架：开启后会针对每个预测周期输出滞后项和特征的归因、语义流诊断、轨迹稳定性诊断等解释包，且不需要改动底层预测器。换句话说，运营人员不只知道"下周预计卖多少"，还能看到模型是参考了哪些历史片段和特征得出的结论，这对备货决策和向团队解释预测结果都有直接帮助。目前该模型已在HuggingFace上以NVIDIA/Kumo-TS和nvidia/Kumo-Forecast的名称开放下载。