IBM时序基础模型
2 节点1 篇2 来源
IBM与Confluent已将IBM Granite时序基础模型直接集成至Confluent Cloud的Apache Flink引擎中。这一原生集成允许企业使用标准SQL在流数据上执行实时预测和异常检测,无需单独的机器学习基础设施或GPU资源。此举解决了AI代理决策中的关键缺口:数据生成与可操作洞察之间的延迟。通过在数据流内部以CPU运行紧凑模型(参数规模从100万到2.6亿),企业可以在支付欺诈或生产漂移等事件发生时立即做出反应,而不是等待批处理延迟。
合作始于2026年9月1日的早期访问发布,引入了四个互补模型:用于概率预测的PatchTST-FM-r1、用于点预测准确性的FlowState-r1.1、用于效率优化的TTM-r3以及用于异常检测的TSPulse。这些模型利用了IBM开源时序研究超过5000万次下载的基础。该技术现已作为Confluent托管模型推理套件的一部分正式可用,该套件还包括LLM和嵌入模型。虽然该技术具备降低云进出流量费用并简化部署的能力,但其主要价值主张仍在于为制造、零售和金融领域的运营团队提供行动速度。
事情怎么走到这一步
IBM与Confluent在Confluent Cloud上推出IBM Granite时序模型的早期访问版本,通过Apache Flink SQL实现实时预测和异常检测。
ibm.com ↗IBM Research发布详细博客文章,确认这些模型现在作为内置函数原生运行于Confluent Cloud和本地Confluent平台中,强调仅使用CPU即可运行。
huggingface.co ↗
还没定论的部分
- 鉴于向流式推理的转变,企业采用率与传统基于批处理的ML管道相比将如何?
- 对于高容量流,是否存在将这些基于CPU的模型与GPU加速替代方案进行比较的具体性能基准?