مدل هوش مصنوعی TimeH2O-v1 رونمایی شد؛ پیش‌بینی دقیق سری‌های زمانی بدون نیاز به آموزش

مقدمه

TimeH2O-v1 یک مدل پایه سری زمانی است که شرکت H2O.ai در تاریخ ۲۶ اکتبر ۲۰۲۶ عرضه کرد. این مدل با حدود ۱۰۸ میلیون پارامتر، پیشبینی‌ها را به شیوه Zero-Shot (بدون نیاز به آموزش اولیه) انجام می‌دهد؛ به این معنا که تنها با بررسی پیشینه یک سری داده، آینده آن را بدون نیاز به هیچگونه آموزش یا تنظیمی دقیق پیش‌بینی می‌کند.

این مدل در زمان رونمایی، با ثبت نرخ پیروزی ۹۱٫۹ درصد و امتیاز مهارت ۵۰٫۸، موفق شد در میان ۳۲ مدل در جدول ارزیابی بنچمارک fev-bench (شامل ۱۰۰ تسک پیش‌بینی در دنیای واقعی) رتبه نخست را به خود اختصاص دهد و بالاتر از رقبای سرشناسی چون Timestral-209M از شرکت Mistral، مدل t0-gamma، مدل TimesFM-3 از گوگل و Chronos-2 از آمازون قرار گیرد. این مدل هم‌چنین کمترین خطای تجمیعی MASE (۰٫۶۵۴) و CRPS (۰٫۴۴۱) را در میان مدل‌های Zero-Shot در بنچمارک GIFT-Eval به ثبت رسانده است. وزن‌های مدل در پلتفرم Hugging Face تحت مجوز غیرتجاری مدل H2O منتشر شده‌اند و در کنار آن، نسخه سبکتری با نام TimeH2O-v1-tiny با ۵٫۸ میلیون پارامتر برای پردازش‌های بسیار سریع در دسترس قرار دارد. شرکت H2O.ai در شبکه اجتماعی X با لحنی طنزآمیز به تبلیغ این مدل پرداخت و نوشت: «زمان آموزش مدل پیش‌بینی شما نباید بیشتر از زمانی طول بکشد که یک انسان به اسکلت تبدیل می‌شود!»

بررسی و مشخصات مدل

• اندازه مدل: حدود ۱۰۸ میلیون پارامتر در نسخه TimeH2O-v1؛ در حالی که نسخه TimeH2O-v1-tiny دارای ۵٫۸ میلیون پارامتر برای دستیابی به حداکثر سرعت پردازش است.
• طول زمینه (Context): پشتیبانی از حداکثر ۱۶٬۳۸۴ گام زمانی با افق پیش‌بینی نامحدود.
• خروجی: پیشبینی‌های احتمالات در قالب ۹ چندک آماری (از ۰٫۱ تا ۰٫۹).
• ورودی‌ها: سری زمانی تکمتغیره هدف، همراه با متغیرهای کمکی اختیاری (مانند قیمت، جشنواره‌های فروش، وضعیت آبوهوا و موارد مشابه)؛ البته نسخه کوچک tiny از متغیرهای کمکی پشتیبانی نمی‌کند.
• معماری: یک شبکه ترنسفورمر اختصاصی با طراحی متقارن معکوسپذیر (Flip-Equivariant) بهگون‌های که وارونه شدن یک سری زمانی به پیش‌بینی وارونه منجر می‌شود. این مدل با تلفیق سری‌های زمانی واقعی و داده‌های ترکیبی تولیدشده بر پایه مدل‌های علّی زمانی آموزش دیده است.

نتایج بنچمارک‌ها (تا ۲۳ و ۲۴ اکتبر ۲۰۲۶)

مدل TimeH2O-v1 در طول مراحل توسعه، با هیچیک از مجموعه‌دادههای بنچمارک fev-bench آموزش ندیده است و نتایج آن کاملاً بر پایه قابلیت پیش‌بینی بدون آموزش قبلی است.

مجوز استفاده و دسترسی

وزن‌های این مدل به‌صورت متن‌باز ولی غیرتجاری منتشر شده‌اند؛ بنابراین انجام بنچمارک‌های داخلی و آزمون‌های فنی مجاز است، اما استفاده در محیط عملیاتی و تجاری نیازمند دریافت لایسنس تجاری از شرکت H2O.ai خواهد بود. کد استنتاج مدل با نام h2ofm تحت مجوز آپاچی ۲٫۰ (Apache-2.0) عرضه شده است. دسترسی به وزن‌ها در Hugging Face به‌صورت کنترلشده (Gated) است و کاربران باید ابتدا شرایط و ضوابط را تأیید کنند.

چرا این دستاورد اهمیت دارد؟

مدل‌های پایه سری زمانی به کسبوکارها امکان می‌دهند تا صدها مدل مختلف (برای پیش‌بینی تقاضا، موجودی کالا، نقدینگی، بار شبکه برق یا حجم مراجعان) را با یک مدل ازپیشآموزشدیده جایگزین کنند. شرکت H2O.ai مدل TimeH2O را به‌عنوان لایه پیش‌بینی معرفی می‌کند که عامل‌های هوش مصنوعی (AI Agents) می‌توانند برای دستیابی به محاسبات دقیق و مطمئن به آن متکی شوند.

راهنمای استفاده و پیاده‌سازی

شروع سریع

1. درخواست دسترسی در نشانی https://huggingface.co/h2oai/timeh2o-v1 و تأیید شرایط مجوز غیرتجاری.
2. نصب پکیج استنتاج H2O به نام h2ofm (تحت مجوز Apache-2.0) مطابق راهنمای صفحه مدل.
3. بارگذاری مدل و اجرای پیش‌بینی:

import numpy as np
from h2ofm import TimeH2O  # see the model card for the exact install/import

model = TimeH2O.from_pretrained("h2oai/timeh2o-v1")
forecast = model.forecast(np.sin(np.arange(200) / 10), horizon=24)
forecast.quantiles  # shape (24, 9): quantiles 0.1 … 0.9

1. برای بهبود دقت، متغیرهای کمکی مانند قیمت یا شرایط آبوهوا را در صورت وجود به مدل ارسال کنید.
2. برای برنامهریزی‌های دقیق‌تر، به‌جای تکیه بر مقدار میانه، از چندک‌های ۰٫۱ و ۰٫۹ به‌عنوان محدوده عدم قطعیت استفاده کنید.

کاربردهای مناسب

• پیش‌بینی تقاضا، حجم فروش و مدیریت موجودی کالا در مواردی که با تعداد زیادی سری زمانی کوتاه روبهرو هستید.
• محاسبه بار مصرف انرژی، ترافیک سرورها و شاخص‌های عملیاتی.
• ارزیابی سریع عملکرد اولیه پیش از سرمایه‌گذاری بر روی توسعه مدل‌های تفکیکشده و اختصاصی.

برای پیاده‌سازی تجاری، باید جهت دریافت مجوز با H2O.ai تماس بگیرید؛ هم‌چنین امکان تنظیم دقیق مدل روی زیرساخت‌ها و داده‌های بومی هر سازمان وجود دارد.

پیوندهای مرتبط

• صفحه مدل در Hugging Face: https://huggingface.co/h2oai/timeh2o-v1
• وبلاگ تحلیلی پروژه: https://h2o.ai/blog/2026/timeh2o-foundation-models
• بیانیه مطبوعاتی رسمی: https://h2o.ai/company/press-media/2026/timeh2o-v1-ranks-first-on-fev-bench