要点（TL;DR）
NVIDIA Kumo Forecast（前身为 NV-Tesseract Forecasting）是一个多变量时间序列预测模型，它将预训练的 Transformer 主干与领域感知表示与检索（Domain-Aware Representation and Retrieval，DARR）相结合，后者是一种上下文增强的预测模式，将模型直接预测与从历史数据中检索到的模式相融合。这包括结果的可解释性。Kumo Forecast 基于 MOMENT-1-large 主干构建，使用约 3.4 亿参数的基础编码器外加一个可训练的预测头。
该库提供以 DataFrame 为先的 API、可配置的预测时域、用于检索的可选历史上下文，以及一个可解释性框架，可在不修改底层预测器的情况下生成针对各时域的解释。
Kumo-Forecast 在以下许可下提供Apache 2.0 许可证。
模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast
转向上下文增强的时间序列预测
预测系统可以利用两种不同的信息来源：预训练期间学到的表示，以及当前应用可用的历史观测数据。Kumo-Forecast 通过一个预训练预测模型和一条基于历史上下文可选检索路径将二者结合起来。
在其直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和训练好的预测头来预测未来值。在领域感知表示与检索（DARR）模式下，它还会使用最近邻方法从历史数据中检索相关模式，并将该信息与直接预测相结合。
这就在模型的输入窗口与其检索上下文之间形成了区分。输入窗口为预测提供近期观测数据；一个单独的历史 DataFrame 可以为模式检索提供额外上下文。开发者可以通过该库的配置选项调整最终预测对每条路径的依赖程度。
有关 DARR 模式的更多信息可参见这篇已发表的论文，记忆增强预测：跨时间域的可扩展性与泛化能力
Kumo Forecast 的工作原理
Kumo-Forecast 结合了四个主要组件：一个预训练的时间编码器、一个可训练的预测头、历史模式检索机制以及一个可解释性框架。
预训练时间表示：该模型使用 MOMENT-1-large Transformer 编码器作为其骨干。该架构在训练预测头时保持编码器和嵌入器权重冻结，将预训练表示模型与任务特定的预测层分离。
直接预测：预测头将模型的表示映射到所请求预测范围内的未来值。对于超出模型原生能力的预测范围，支持自回归扩展。这将直接生成的预测与通过递归扩展预测得到的更长预测区分开来。
领域感知表示与检索：DARR 通过从历史上下文数据中进行 k 最近邻检索来增强直接预测。该过程将直接预测与历史模式检索相结合，同时 SDK 通过单独的 context_df 参数接收历史上下文。
可解释性：Kumo-Forecasting 还包含一个模型无关的可解释性框架。启用后，它会生成一个解释包，其中包含每个预测范围的滞后和特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入积分梯度。这些输出随预测一同提供，而无需采用不同的预测架构。
关于可解释性的更多细节可在此论文中找到，NVExplain：利用潜在轨迹分析和结构保持代理模型解释时间序列预测
局限性
数据必须是数值型的时间数据。支持的输入序列长度包括 256、512、1024 和 2048 个观测值。输入由一个时间戳列和一个或多个数值列组成，以 pandas DataFrame 或 CSV/JSON 输入的形式表示。当利用 DARR 模式时，上下文的维度必须与输入的上下文相似。
演示：预测性维护
该工厂运营（FOX）蓝图包含 Predictive Maintenance 模块的早期访问权限，该模块利用 Kumo Anomaly 和 Kumo Forecast。它分析实时数据以预测未来的异常。
演示：平台集成
请点击下方图片，访问 GTC San Jose 2026 的会议内容
开始使用 Kumo Forecast 构建
如需针对具体应用进行评估，请在相同的留出预测窗口上比较直接配置和检索增强配置。按照 NVIDIA 对特定用例测试的要求，在预期的时间范围和工作条件下验证预测质量
模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast
Kumo-TS 仓库还提供了一个示例，演示如何在用户提供的 CSV 上微调 Kumo-Forecast。因此，开发者既拥有预训练推理工作流，也拥有一个有文档记录的起点，可将模型适配到自己的数据。