GIFT-EvalでTimestralなど4モデルを比較する
2026年9月から10月にかけて、Huawei、The Forecasting Company、Mistral AI、JPMorganChaseが時系列基盤モデルを相次ぎ公開した。Tabby、t0-gamma、Timestral、Morpheus-2.0はいずれも、個別の系列に合わせて再学習せず、多数の系列で事前学習したモデルが未知データへ直接予測するゼロショット予測を重視する。SalesforceのGIFT-Evalで比較したところ、上位3モデルの平均精度は統計的にほぼ並んだ。 四モデルには、値の正規化、連続データのパッチ化、トランスフォーマーによる特徴抽出、分位数予測という共通設計がある。差は情報設計にある。Tabbyは系列ごとに独立し、天気予報のような外部変数を使えない。Timestralとt0は一部の層で系列間情報をやり取りし、既知の未来変数を参照できる。Morpheus-2.0は時間と変数の両方向の注意を全層で使うが、メモリを軽くする2軸設計を採る。訓練では全モデルが合成データを重視し、Morpheusでは合成データと学習手順が精度に大きく寄与した。 GIFT-Evalの正規化予測精度ではTimestral-209Mが0.446で最高、t0-gammaが0.452、Morpheus-2.0はパラメータ4.13億のマルチスケールエンサンブルで0.455。上位差はタスク単位で揺らぎがあり、有意な差とは言い切れない。中央値誤差指標ではMorpheus-2.0の0.646が先頭になった。ドメイン別ではMorpheusがエネルギーと交通で強く、Timestralとt0はウェブ・自然系で近い。Tabbyのゼロショット版は全体で劣るが、自然系列では健闘した。 再現実験では、Timestralとt0-gammaは公式値にほぼ一致し、Tabbyはモデルカード推奨の128ステップ未来マスク設定で一致した。実践面では、既知の外部変数が重要ならTimestral、t0、Morpheus、履歴だけで済むならTabbyを検討できる。ライセンスではt0のみアパッチ2.0で公開重みを持ち、Timestralは収益上限条件、Tabbyは非商用制限がある。今回の比較は、近年の進歩がアーキテクチャより訓練データと学習手順の影響を強く受けることを示唆する。実務では、自社データと実際の予測範囲で試す方が、総合順位より有効な判断材料になる。
