核心要点
NVIDIA 近日发布了 Kumo Forecast（此前称为 NV-Tesseract Forecast），这是一款多变量时间序列预测模型。该模型将预训练的 Transformer 骨干网络与领域感知表示和检索（DARR）机制相结合，通过上下文增强预测模式，整合了直接模型预测与从历史数据中检索到的模式，并提供了结果的可解释性。
Kumo Forecast 基于 MOMENT-1 大型骨干网络构建，采用约 3.4 亿参数的基础编码器以及可训练的预测头。该库支持 DataFrame-first API、可配置的预测地平线、可选的历史上下文检索功能，以及一个无需修改底层预测器即可生成特定地平线解释的可解释性框架。Kumo-Forecast 以 Apache 2.0 许可证发布。
相关资源：
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
现代预测系统通常需要利用两类信息源：预训练阶段学到的表征，以及当前应用中可用的历史观测数据。Kumo-Forecast 通过结合预训练预测模型与可选的历史背景检索路径，实现了这两者的融合。
在直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和经过训练的预测头来推断未来数值。而在 DARR 模式下，模型还会利用最近邻方法从历史数据中检索相关模式，并将这些检索到的信息与直接预测结果相结合。
这种架构区分了模型的输入窗口与检索上下文：输入窗口提供用于预测的最新观测数据；而独立的历史数据框架则为模式检索提供额外上下文。开发人员可以通过库的配置选项调整最终预测对这两种路径的依赖程度。
关于 DARR 模式的详细技术原理，可参考论文《Memory-Augmented Forecasting: Scalability and Generalization Across Time Horizons》。
Kumo Forecast 的工作机制
Kumo-Forecast 主要由四个组件构成：预训练的时间编码器、可训练的预测头、历史模式检索机制以及可解释性框架。
预训练时间表征：模型以 MOMENT-1-Large Transformer 编码器为骨干。在训练预测头时，编码器和嵌入层的权重保持冻结，从而将预训练表征与特定任务的预测层分离开来。
直接预测：预测头将模型表征映射至所需的未来数值。对于超出模型原生能力的视野，支持自回归扩展。这区分了直接生成的预测与通过递归扩展生成的长周期预测。
领域感知表示和检索 (DARR)：DARR 通过从历史背景数据中检索 k-最近邻来增强直接预测。这一过程结合了直接预测与历史模式检索，SDK 通过独立的 context_df 参数接收历史上下文。
可解释性：Kumo Forecast 包含一个模型无关的可解释性框架。启用后，它会生成包含每个预测视界的滞后和特征属性、语义流诊断、轨迹稳定性诊断以及可选嵌入解释包的结果。这些输出伴随预测产生，无需不同的预测架构。更多细节可参阅论文《NVExplain: Explaining Time Series Forecasts with Latent Trajectory Analysis and Structure-Preserving Surrogates》。
限制条件
输入数据必须为数值型或时间序列数据。支持的输入序列长度包括 256、512、1024 和 2048 个观测值。输入格式由一个时间戳列和一个或多个数值列组成，可表示为 pandas DataFrame 或 CSV/JSON 格式。在使用 DARR 模式时，上下文的维度必须与输入的上下文相似。
应用场景演示
预测性维护：工厂运营 (FOX) 蓝图已早期开放访问其预测维护模块，该模块利用 Kumo Anomaly 和 Kumo Forecast 分析实时数据并预测未来的异常情况。
平台集成：用户可通过点击相关图片访问 GTC San Jose 2026 会议内容。
开发指南
针对特定应用的评估，建议在相同的预测窗口中比较直接配置与检索增强配置的表现。开发者应根据 NVIDIA 对特定用例测试的要求，在预期的时间和操作条件下验证预测质量。
此外，Kumo-TS 存储库还提供了一个示例，展示如何在用户提供的 CSV 数据上微调 Kumo-Forecast。这为开发人员提供了预训练推理工作流程以及适应自身数据的记录起点。
