TimeSSM-2.5M 复现指南：从 checkpoint 到 MASE 0.7544 的完整验证流程详解

人工智能基础模型机器学习深度学习【免费下载链接】timessm-2.5m项目地址https://ai.gitcode.com/hf_mirrors/IUseAMouse/timessm-2.5m点击查看免费下载TimeSSM-2.5M 是一个仅 250 万参数的零样本时间序列预测模型基于 S4D 对角状态空间架构在 158.5 亿条观测上从零训练单次前向即可预测任意长度、输出 9 个分位数。本文提供完整复现指南从 checkpoint 获取、环境搭建到 GIFT-Eval 97 个配置逐条跑分带你一步步复现官方提交成绩MASE 0.7544 / CRPS 0.5128。TimeSSM-2.5M 是什么2.5M 参数的零样本预测器在动手之前先快速认识这个模型有助于理解后面每一步的意义 架构6 层门控 S4D 块复数对角状态d_model192、d_state32每个时间步一个 token加一个未来 token直接输出任意 horizon无需自回归循环输出9 个分位数0.1 到 0.9第 5 列即中位数频率旋钮推理时暴露采样间隔参数同一份权重可以按任意采样率运行——这是它相对多数零样本模型的独特点规模精确参数数 2,525,771由个人开发者用 3 块 RTX 3090 训练完成成绩在 GIFT-Eval 基准97 个零样本配置上叠加推理期回测重采样后取得 MASE 0.7544、CRPS 0.5128在 10M 参数以内的榜单模型中位居前列验证方式MASECRPSTimeSSM-2.5M 回测重采样提交成绩0.75440.5128裸模型单次前向无平均无重采样0.79850.5451MASE 与 CRPS 都是对官方 seasonal naive 基线的几何平均比值越小越好。所有数字均来自同一份发布的 checkpoint没有针对 GIFT-Eval 挑选过任何权重。复现前置仓库文件清单与各自作用 本仓库是权重与配置仓库复现所需的关键文件都已就位文件作用model.safetensors推理权重配合config.json由timessm.from_pretrained加载config.json模型结构配置1024 上下文、256 预测长度、S4D 参数、分位数头等epoch00_valloss1.2814.ckpt原始 Lightning 训练 checkpoint复现跑分用它而非 safetensorscalibration_gamma.json9 个分位数层级各自的扇形展宽系数在训练语料上标定评测中用于校准预测区间corpus_v3_frequencies.yaml训练语料频率表106 个文件各自的采样频率如5T、H、D、4S零样本性质靠它保证README.md官方说明GIFT-Eval 结果、推理示例与复现命令的权威出处两点值得注意跑分用 ckpt推理用 safetensors——两者数值等价但 harness 需要原始 checkpoint 才能精确复现calibration_gamma.json里的note字段明确写了这些系数仅对本 checkpoint 且在tta_fliptrue freq_deltatrue下有效换了配置系数即失效一键复现步骤从克隆到数据准备官方复现路径依赖三个仓库本仓库权重、TimeJEPA评测 harnessMIT 协议与TimeSSM模型代码Apache-2.0 协议。按 README.md 的 Reproduction 小节完整流程如下# 1) 克隆本模型仓库含 checkpoint 与全部配置文件 git clone https://gitcode.com/hf_mirrors/IUseAMouse/timessm-2.5m # 2) 克隆配套代码仓库 TimeJEPA评测 harness与 TimeSSM模型代码 # 具体地址见 README.md Reproduction 与 Files and license 小节 # 3) 下载 GIFT-Eval 评测数据97 个配置的原始数据 cd TimeJEPA make gift-download # 4) 安装 TimeSSM 运行环境 cd ../TimeSSM uv sync --extra train一条命令复现 MASE 0.7544完整验证流程 ✅数据就绪后复现本身就是两条命令。先获取训练 checkpoint# 从模型卡下载原始 checkpoint 到本地仓库内已附同一份文件 hf download IUseAMouse/timessm-2.5m epoch00_valloss1.2814.ckpt --local-dir . CKepoch00_valloss1.2814.ckpt然后运行评测# 复现提交成绩MASE 0.7544 / CRPS 0.5128 # 配置文件 configs/timessm_2.5m_gift.yaml 携带了全部推理设置 # 频率规则、sign-flip 平均、回测重采样降采样 2~48 倍、升采样 2~4 倍、4 窗口合并回测与校准文件 EVAL_CONFIGtimessm_2.5m_gift scripts/eval_ssm.sh $CK # 复现裸模型成绩MASE 0.7985 / CRPS 0.5451单次前向无重采样 EVAL_CONFIGssm_mini_v3_freq_eval scripts/eval_ssm.sh $CK freq_deltatrueharness 的产物包括all_results.csv按 GIFT-Eval 榜单格式输出的汇总结果每个配置一份 JSON逐配置的 MASE / CRPS 明细如何判断复现成功harness 会用官方 seasonal naive 分母从原始数据重算指标并且能 97/97 复现 t0-beta 的官方逐配置结果——如果你的逐配置数值与该参考一致、汇总落在 MASE 0.7544 附近即说明复现链路正确。关键配置逐项解读为什么 0.7544 不是裸模型成绩 ⚙️两条命令的差距来自推理期回测重采样层理解它才能读懂配置文件重采样把上下文按多种速率重采样降采样 2 到 48 倍、升采样 2 到 4 倍每种速率各做一次预测回测加权在序列自身历史上做因果回测按回测表现给各候选预测加权再按分位数层级混合叠加 sign-flip 平均扇形校准用 calibration_gamma.json 中 9 个层级系数展宽分位数扇形这些系数在训练语料上标定评测集上不做任何拟合代价是推理成本乘以 20~40 倍——裸模型一次前向重采样层每条序列要跑 20 到 40 次。这也是为什么裸模型成绩0.7985本身就很有含金量它单靠前向传播就在 10M 内梯队中击败了 Chronos-Bolt small48M 参数。快速上手本地加载 TimeSSM-2.5M 做预测不需要跑完整评测的话安装 TimeSSM 包后几行代码即可推理import numpy as np import torch from timessm import from_pretrained, delta_scale # 指向本仓库目录或模型卡加载 model from_pretrained(IUseAMouse/timessm-2.5m) series np.sin(np.arange(1024) * 2 * np.pi / 24) # 你的历史数据原始量纲即可 context torch.tensor(series, dtypetorch.float32).unsqueeze(0) # [1, length] # 频率规则沿用 FlowState 约定间隔 24 / 季节长度并夹到训练范围 [0.015625, 8.0] w delta_scale(24, *model.delta_range) # 小时级日周期 → w115分钟级 → 0.25 with torch.no_grad(): out model.forecast(context, 48, ww) quantiles out[quantiles_denorm][0] # [48, 9]第 5 列是中位数delta_scale第一个参数是声明频率的季节长度以步为单位15 分钟数据填 96、小时级填 24、日级周周期填 7、月度填 12。它把 24 除以季节长度并夹到模型训练过的区间所以 15 分钟数据得到w0.25、小时级得到w1。结果解读与常见坑验证不通过时先查这里 频率必须声明模型接收序列的声明采样频率来设置采样间隔。不带频率跑出来的不是这个模型成绩会明显劣化——这是最常见的复现偏差来源校准系数是绑定的calibration_gamma.json只对当前 checkpoint 加tta_fliptrue freq_deltatrue有效改任何开关都可能让校准失效短板场景有预期10 秒级云运维 trace、带周周期的小时级数据m4_hourly、低频经济序列m4 周/年是最弱分组个别配置 MASE 超过 1如m4_hourly/H/short为 1.419属正常现象逐配置明细见 README.md 的 97 配置表单变量 无频率检测器模型只支持单变量且不会自动探测频率数据侧要自己保证裸模型偏短周期中长效成绩主要靠重采样层支撑单独使用裸模型时这一点要有心理预期总结TimeSSM-2.5M 的复现链路非常短克隆 → 下载 GIFT-Eval 数据 → 一条eval_ssm.sh命令即可从 epoch00_valloss1.2814.ckpt 走到 MASE 0.7544。真正要留心的只有两件事——跑分用原始 checkpoint、评测时正确声明频率。完成本文流程后你不仅复现了一个 2.5M 参数模型在 GIFT-Eval 上的第一梯队成绩也拿到了一个同一份权重、任意采样率的零样本预测器。赞分享人工智能基础模型机器学习深度学习【免费下载链接】timessm-2.5m项目地址https://ai.gitcode.com/hf_mirrors/IUseAMouse/timessm-2.5m点击查看免费下载相关推荐instagram-private-api 挑战验证Challenge处理全指南从 Checkpoint 到验证码提交的完整流程instagram private api 挑战验证Challenge处理全指南从 Checkpoint 到验证码提交的完整流程 导读 本文围绕 inst后端复现open-deepfake-detection的训练全过程从checkpoint-625到checkpoint-1250的完整微调复盘复现open deepfake detection的训练全过程从checkpoint 625到checkpoint 1250的完整微调复盘 open deep3天打造智能知识管家FastGPT如何让企业数据开口说话3天打造智能知识管家FastGPT如何让企业数据开口说话 想象一下这样的场景你的团队每天要处理数百份客户咨询、产品文档、技术手册而新员工需要花费数周时间才人工智能AI 应用AI AgentRAG后端前端工作流自动化知识库上一篇Navicat试用期到期了三招帮你无限重置Mac版Navicat下一篇Spec Kit 一次性运行指南用 uvx 免安装执行 specify CLI 完成 Spec-Driven Development 项目初始化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考