据Hugging Face博客9月9日发布的消息，IBM发布Granite Time Series PatchTST-FM-r2，这是Granite TSFM系列的最新时间序列基础模型。截至2026年9月8日，该模型在GIFT-Eval排行榜可复现的零样本模型中整体排名第二，并且是采用宽松商业友好开源许可的同类模型中表现最好的一个。

PatchTST-FM-r2是PatchTST-FM-r1的新版本，约3.85亿参数，上下文长度最高8192，支持灵活预测长度，并通过99分位数预测头输出概率预测。它支持缺失值填补，可用于需求、价格、能源负荷、交通、遥测等通用零样本预测场景。该博客称，模型权重、架构、推理流程以及复现基准结果所需代码均已公开。

GIFT-Eval是覆盖多种预测场景的时间序列预测基准。将榜单限制为没有测试泄漏的零样本、可复现模型时，PatchTST-FM-r2截至9月8日在CRPS和MASE两项指标上均排名第二，两项指标均为数值越低越好。其CRPS几何均值为0.467，在该比较中仅次于TimesFM-3，并在宽松许可模型中排名第一；MASE几何均值为0.6846。

GIFT-Eval上还有一些模型被归为预训练模型而非严格零样本模型，这些模型被允许将GIFT-Eval评估数据集的训练部分纳入预训练语料。该博客称，即使把这些预训练模型加入比较，PatchTST-FM-r2仍位居可复现模型前列，CRPS排名第三，MASE排名第四，并超过Chronos-2、Timer-S1和Toto系列等预训练模型，而部分竞争模型规模明显更大。

架构方面，PatchTST-FM-r2保留PatchTST系列有效的patch表示，但重新设计内部结构，以更有效地捕捉长期和短期关系，并平滑patch间预测。该模型将标准Transformer层改为结合卷积与多头自注意力机制的conformer层，这一结构源自语音处理应用。相比PatchTST-FM-r1由多头自注意力和前馈网络组成的模块，r2采用conformer风格模块。

许可方面，该模型采用Apache-2.0和OpenMDW-1.0双许可，用户可选择其中任一许可。博客还介绍了训练数据与许可、代码示例，并提及Granite Time Series系列模型在Confluent产品支持下用于生产环境流式应用的方式。据该博客，PatchTST-FM-r2的发布使其成为GIFT-Eval可复现零样本类别中兼具性能和商业友好许可的模型之一。