AnswersPublished24 sources
TimeH2O-v1: risultati solidi nelle previsioni, con qualche distinzione da tenere a mente
H2O.ai riporta per TimeH2O v1, modello da 108,8 milioni di parametri, un tasso di vittoria del 91,9% e uno skill score di 50,8 su 100 task di fev bench. La posizione dipende dalla metrica e dalla versione della classifica: TSFM.ai indica un win rate dell’86,14% e il terzo posto per MASE skill score.
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- H2O.ai riporta per TimeH2O v1, modello da 108,8 milioni di parametri, un tasso di vittoria del 91,9% e uno skill score di 50,8 su 100 task di fev bench.
- La posizione dipende dalla metrica e dalla versione della classifica: TSFM.ai indica un win rate dell’86,14% e il terzo posto per MASE skill score.
- I pesi sono disponibili su Hugging Face con licenza non commerciale; per l’uso in produzione a fini commerciali H2O.ai richiede una licenza.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is H2O.ai’s 108-million-parameter TimeH2O-v1 time-series foundation model, released on October 26, and how do its zero-shot forecasting. Article summary: TimeH2O-v1 is H2O.ai’s compact, open-weights time-series foundation model, released on October 26, 2026, for zero-shot forecasting without a separate training run or model for every series.[9][10] H2O.ai reports first pl. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
H2O.ai ha presentato TimeH2O-v1 il 26 ottobre 2026: un modello compatto per le previsioni su serie temporali, pensato per funzionare in modalità zero-shot, cioè senza addestrare un modello separato per ogni singola serie. Il dato più appariscente è il 91,9% di vittorie su 100 task di fev-bench, con uno skill score di 50,8. È un risultato notevole, ma va letto insieme alla metrica usata e alla configurazione della classifica: non equivale a un primo posto in ogni confronto possibile.1
7
13
Che cos’è TimeH2O-v1
TimeH2O-v1 è un modello di forecasting a pesi aperti con 108,8 milioni di parametri. La previsione zero-shot consiste nell’applicare un modello già preaddestrato a una serie temporale senza addestrarlo appositamente su quella serie.1
6
13
fev-bench valuta previsioni probabilistiche confrontandole con una baseline stagionale ingenua (seasonal-naive): in sostanza, un riferimento semplice basato sulla ripetizione di un andamento stagionale. La valutazione comprende 100 task; una descrizione separata della classifica specifica che questi derivano da 96 dataset reali distribuiti in sette ambiti.1
19
Che cosa dicono i risultati su fev-bench
Nella classifica predefinita pubblicata da H2O.ai, TimeH2O-v1 è primo su 32 modelli per percentuale di vittorie. La stessa graduatoria riporta il 91,9% per TimeH2O-v1, l’89,6% per Timestral-209M, l’88,1% per t0-gamma, l’82,7% per TimesFM-3 e il 76,8% per Chronos-2.13 Anche l’agenzia Bernama riporta i valori di Timestral-209M e t0-gamma.
2
Il perimetro, però, conta: nella classifica di H2O.ai, includendo i modelli accessibili tramite API chiusa, TimeH2O-v1 scende al secondo posto su 36. L’azienda precisa inoltre che il confronto di testa include modelli non commerciali.13
6 Il “primo posto”, quindi, si riferisce a quella specifica configurazione della classifica.
Un’altra graduatoria di fev-bench mostra numeri diversi. TSFM.ai riporta per TimeH2O-v1 un win rate dell’86,14% e uno skill score MASE di 39,95, che lo colloca al terzo posto secondo questa metrica, dietro a TimeRSI-1.5 e TimeRSI.19 Questi valori non sono intercambiabili con il 91,9% e il 50,8 pubblicati da H2O.ai: le classifiche presentano risultati e posizioni differenti. Per interpretare una dichiarazione di benchmark è quindi importante sapere quale metrica e quale versione della classifica si stanno considerando.
GIFT-Eval: risultati favorevoli, ma su un altro benchmark
H2O.ai afferma che, tra i modelli zero-shot valutati su GIFT-Eval, TimeH2O-v1 ha ottenuto i valori aggregati più bassi per MASE e CRPS: rispettivamente 0,654 e 0,441.6 Una classifica separata riporta i valori arrotondati a 0,65 e 0,44, contro 0,66 e 0,45 per Timestral-209M.
24
GIFT-Eval è un benchmark diverso da fev-bench: questi risultati non vanno usati per confermare o riformulare la posizione raggiunta su fev-bench.
Covariate e personalizzazione: cosa è documentato
La descrizione di fev-bench comprende task con covariate, cioè variabili aggiuntive che possono aiutare a formulare una previsione. Tuttavia, il wrapper di fev disponibile per TimeH2O-v1 indica che i checkpoint valutati prevedono ciascun obiettivo in modo indipendente e ignorano le covariate, trasformando i task in serie univariate.19
22 Questa nota riguarda l’implementazione usata nel benchmark: non dimostra da sola quali funzionalità siano disponibili in ogni altra interfaccia o modalità di utilizzo del prodotto.
Le fonti disponibili non descrivono un flusso verificato per il fine-tuning sui dati di un cliente, l’infrastruttura necessaria o una procedura per creare modelli specializzati per un settore. È prudente chiedere conferma a H2O.ai prima di considerare queste possibilità come funzionalità documentate.
Dati di addestramento e benchmark esclusi
La scheda del modello afferma che dal training sono stati esclusi i dataset sovrapposti con fev-bench, GIFT-Eval e TIME.4
8 Tra le fonti di addestramento indicate figurano i dataset Chronos di AutoGluon, GiftEvalPretrain e lotsa_data di Salesforce e il corpus Quito. La scheda segnala licenze diverse per i dataset, tra cui Apache-2.0 e CC-BY 4.0; l’elenco riportato potrebbe non essere completo.
8
Disponibilità e licenza
I pesi sono ospitati nel repository Hugging Face di H2O.ai; per scaricarli occorre accettare le condizioni di accesso.10 Il repository indica la H2O Model Non-Commercial Licence v1.0. La pagina del prodotto precisa che l’uso in produzione richiede una licenza di H2O.ai: “pesi aperti”, quindi, non significa autorizzazione all’impiego commerciale senza ulteriori condizioni.
5
14
H2O.ai propone anche TimeH2O-v1-tiny, una variante da 5,83 milioni di parametri sotto la stessa licenza non commerciale. Le fonti disponibili non dimostrano che raggiunga prestazioni previsionali equivalenti a quelle di v1.12
14
In breve
TimeH2O-v1 presenta risultati promettenti: nella classifica fev-bench di H2O.ai registra un win rate del 91,9% e uno skill score di 50,8; su GIFT-Eval, H2O.ai segnala i migliori valori aggregati di MASE e CRPS tra i modelli zero-shot.1
6 Ma la posizione varia con metrica e configurazione della classifica, mentre i pesi non autorizzano di per sé un impiego commerciale senza restrizioni.
13
14
19
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "TimeH2O-v1: risultati solidi nelle previsioni, con qualche distinzione da tenere a mente"?
H2O.ai riporta per TimeH2O v1, modello da 108,8 milioni di parametri, un tasso di vittoria del 91,9% e uno skill score di 50,8 su 100 task di fev bench.
What are the key points to validate first?
H2O.ai riporta per TimeH2O v1, modello da 108,8 milioni di parametri, un tasso di vittoria del 91,9% e uno skill score di 50,8 su 100 task di fev bench. La posizione dipende dalla metrica e dalla versione della classifica: TSFM.ai indica un win rate dell’86,14% e il terzo posto per MASE skill score.
What should I do next in practice?
I pesi sono disponibili su Hugging Face con licenza non commerciale; per l’uso in produzione a fini commerciali H2O.ai richiede una licenza.