据Hugging Face博客10月21日消息，英伟达推出多变量时间序列预测模型Kumo Forecast（原NV-Tesseract Forecasting），将预训练Transformer骨干与领域感知表示和检索（DARR）结合，并配套可解释性框架。模型代码和权重分别以NVIDIA/Kumo-TS、nvidia/Kumo-Forecast名称提供，采用Apache 2.0许可证。

博客介绍，Kumo Forecast基于MOMENT-1-large骨干，使用约3.4亿参数的基础编码器，外加可训练的预测头。训练时编码器和嵌入器权重保持冻结，预测头负责将表示映射到请求预测范围内的未来值；当预测范围超出模型原生能力时，支持自回归扩展，以递归方式延长预测。

在直接预测路径之外，DARR模式通过k近邻方法从历史数据中检索相关模式，并与直接预测结果结合。模型输入窗口提供近期观测，检索上下文则通过独立的historical DataFrame（context_df参数）提供，开发者可通过配置调整最终预测对两条路径的依赖程度。博客称，这使输入窗口与检索上下文区分开来。

该库提供以DataFrame为先的API、可配置的预测范围、可选的历史上下文以及可解释性框架。启用可解释性时，会生成解释包，包含每个预测范围的滞后项和特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入Integrated Gradients；这些输出随预测结果提供，不需要更换底层预测架构。

输入数据需为数值型时间数据，支持256、512、1024和2048个观测值的输入序列长度，输入由时间戳列和一个或多个数值列组成，可采用pandas DataFrame或CSV/JSON格式。使用DARR模式时，上下文维度需与输入上下文相似。Kumo-TS仓库还提供在用户提供的CSV上微调Kumo-Forecast的示例。

博客提到，Factory Operations（FOX）Blueprint包含Predictive Maintenance模块的早期访问，该模块利用Kumo Anomaly和Kumo Forecast分析实时数据，预测未来异常。对于具体应用评估，博客建议在相同的留出预测窗口上比较直接配置和检索增强配置，并按预期预测范围与运行条件验证预测质量，以符合英伟达对特定用例测试的要求。