AnswersPublished24 sources
TimeH2O-v1 scoort sterk op forecasting-benchmark — met belangrijke kanttekeningen
H2O.ai meldt voor TimeH2O v1, een model met 108,8 miljoen parameters, een winstpercentage van 91,9% en een skill score van 50,8 op 100 fev bench taken. De positie hangt af van de gekozen ranglijstweergave en meetmethode: een andere fev bench lijst toont een winstpercentage van 86,14% en een derde plaats op basis van...
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- H2O.ai meldt voor TimeH2O v1, een model met 108,8 miljoen parameters, een winstpercentage van 91,9% en een skill score van 50,8 op 100 fev bench taken.
- De positie hangt af van de gekozen ranglijstweergave en meetmethode: een andere fev bench lijst toont een winstpercentage van 86,14% en een derde plaats op basis van MASE skillscore.
- De modelgewichten zijn beschikbaar via Hugging Face, maar vallen onder een niet commerciële licentie; voor productiegebruik is volgens H2O.ai een licentie van het bedrijf nodig.
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 bracht TimeH2O-v1 op 26 oktober 2026 uit: een compact model voor tijdreeksvoorspellingen dat je zonder aparte training voor elke reeks kunt inzetten. De opvallendste claim is een winstpercentage van 91,9% en een skill score van 50,8 op 100 taken van fev-bench. Die cijfers horen wel bij een specifieke weergave van de ranglijst — ze betekenen niet dat het model onder elke meetmethode of bij elke selectie van modellen bovenaan staat.1
7
13
Wat is TimeH2O-v1?
TimeH2O-v1 is een model met open gewichten en 108,8 miljoen parameters. Bij zero-shot forecasting maakt een vooraf getraind model voorspellingen voor een tijdreeks zonder dat je voor elke reeks eerst een afzonderlijk model traint.1
6
13
Fev-bench beoordeelt probabilistische voorspellingen ten opzichte van een seizoensgebonden naïeve baseline: een eenvoudige referentiemethode die uitgaat van herhaling van een eerder seizoenspatroon. De benchmark omvat 100 taken. Een andere beschrijving meldt dat die taken zijn gebaseerd op 96 praktijkdatasets uit zeven domeinen.1
19
Sterke score, maar niet in elke ranglijst eerste
In de standaardrangschikking die H2O.ai publiceert, staat TimeH2O-v1 bovenaan van 32 modellen op basis van winstpercentage. Die lijst vermeldt 91,9% voor TimeH2O-v1, tegenover 89,6% voor Timestral-209M, 88,1% voor t0-gamma, 82,7% voor TimesFM-3 en 76,8% voor Chronos-2.13 Ook persbureau Bernama noemt de scores van Timestral-209M en t0-gamma.
2
De precieze samenstelling van de ranglijst is van belang. Met gesloten API-modellen erbij staat TimeH2O-v1 volgens H2O.ai tweede van de 36. Het bedrijf vermeldt bovendien dat de koppositie in de standaardweergave ook niet-commerciële modellen omvat.13
6 De claim dat het model eerste staat, geldt dus voor de genoemde ranglijstinstelling, niet automatisch voor iedere selectie.
Ook een andere fev-bench-weergave rapporteert andere scores. TSFM.ai vermeldt voor TimeH2O-v1 een winstpercentage van 86,14% en een MASE-skillscore van 39,95. Op basis van die MASE-maat staat het model derde, achter TimeRSI-1.5 en TimeRSI.19 Deze cijfers zijn niet rechtstreeks uitwisselbaar met H2O.ai’s 91,9% en 50,8: de ranglijstweergaven geven verschillende uitkomsten. Kijk daarom bij benchmarkclaims altijd naar de gebruikte maatstaf en de versie van de ranglijst.
Ook een positief resultaat op GIFT-Eval
H2O.ai meldt dat TimeH2O-v1 onder de zero-shotmodellen op GIFT-Eval de laagste geaggregeerde scores behaalde voor MASE en CRPS: respectievelijk 0,654 en 0,441.6 Een aparte GIFT-Eval-ranglijst toont afgeronde waarden van 0,65 en 0,44. Voor Timestral-209M staan daar 0,66 en 0,45.
24 GIFT-Eval is een andere benchmark dan fev-bench; de resultaten ervan vormen dus geen bevestiging van de fev-bench-rangschikking.
Wat weten we over covariaten en maatwerk?
De beschrijving van fev-bench vermeldt ook taken met covariaten — aanvullende gegevens die een voorspelling kunnen beïnvloeden. De beschikbare fev-wrapper voor TimeH2O-v1 geeft echter aan dat de checkpoints elk doel afzonderlijk voorspellen en covariaten negeren. Voor die benchmarkimplementatie worden taken daarom omgezet naar univariate tijdreeksen.19
22 Dat zegt iets over de geteste implementatie, maar bewijst niet wat elke versie van het bredere product of de implementatieomgeving kan.
De beschikbare bronnen beschrijven geen geverifieerde werkwijze voor klanten om het model met eigen gegevens fijn te trainen. Ook details over de benodigde infrastructuur en het bouwen van domeinspecifieke modellen zijn niet onderbouwd in het beschikbare materiaal.
Trainingsdata en benchmarkuitsluitingen
Volgens de modelkaart zijn datasets die overlappen met fev-bench, GIFT-Eval en TIME uitgesloten van de training.4
8 Bij de genoemde trainingsbronnen staan onder meer AutoGluon’s Chronos-datasets, Salesforce-collecties GiftEvalPretrain en lotsa_data, en het Quito-corpus. De modelkaart noemt verschillende licenties voor deze bronnen, waaronder Apache-2.0 en CC-BY 4.0. De gepubliceerde lijst hoeft niet volledig te zijn.
8
Beschikbaarheid en licentie
De gewichten staan in H2O.ai’s Hugging Face-repository. Om ze te downloaden moeten gebruikers eerst de toegangsvoorwaarden accepteren.10 De repository vermeldt de H2O Model Non-Commercial Licence v1.0. H2O.ai zegt dat productiegebruik een licentie van het bedrijf vereist. ‘Open gewichten’ betekent hier dus niet dat commercieel gebruik zonder beperkingen is toegestaan.
5
14
H2O.ai biedt ook TimeH2O-v1-tiny aan, een variant met 5,83 miljoen parameters onder dezelfde genoemde niet-commerciële licentie.12
14 De beschikbare bronnen tonen niet aan dat deze kleinere variant even goed voorspelt als v1.
Conclusie
TimeH2O-v1 laat volgens H2O.ai sterke resultaten zien: 91,9% winstpercentage en een skill score van 50,8 op fev-bench, plus lage geaggregeerde MASE- en CRPS-scores op GIFT-Eval.1
6 Tegelijk verschillen de gerapporteerde fev-bench-scores en posities per ranglijstweergave en meetmethode. En hoewel de gewichten beschikbaar zijn, is de licentie niet bedoeld als vrijbrief voor commercieel productiegebruik.
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 scoort sterk op forecasting-benchmark — met belangrijke kanttekeningen"?
H2O.ai meldt voor TimeH2O v1, een model met 108,8 miljoen parameters, een winstpercentage van 91,9% en een skill score van 50,8 op 100 fev bench taken.
What are the key points to validate first?
H2O.ai meldt voor TimeH2O v1, een model met 108,8 miljoen parameters, een winstpercentage van 91,9% en een skill score van 50,8 op 100 fev bench taken. De positie hangt af van de gekozen ranglijstweergave en meetmethode: een andere fev bench lijst toont een winstpercentage van 86,14% en een derde plaats op basis van MASE skillscore.
What should I do next in practice?
De modelgewichten zijn beschikbaar via Hugging Face, maar vallen onder een niet commerciële licentie; voor productiegebruik is volgens H2O.ai een licentie van het bedrijf nodig.