H2O.ai于2026年10月26日发布TimeH2O-v1，一款面向零样本时间序列预测的基础模型。公司公布的亮眼数字是：在fev-bench的100项任务中，胜率达到91.9%，技能分为50.8。1713

不过，“排名第一”需要连同榜单口径一起看。这些数字对应特定的排行榜视图和指标，并不意味着它在所有模型范围、所有指标下都稳居第一。

TimeH2O-v1是什么？

TimeH2O-v1是一款开放权重模型，参数量为1.088亿，常简写为约1.08亿。所谓“零样本预测”，是指直接将预训练模型用于时间序列预测，而不必针对每条序列单独训练一个模型。1613

H2O.ai介绍，fev-bench使用概率预测评估模型，并以季节性朴素预测作为基准。该基准包含100项任务；另一份排行榜说明，这些任务来自96个真实数据集，覆盖7个领域。119

fev-bench成绩：默认榜单第一，不等于所有口径第一

按H2O.ai列出的默认胜率榜单，TimeH2O-v1在32个模型中排名第一，胜率为91.9%。榜单上Timestral-209M为89.6%，t0-gamma为88.1%，TimesFM-3为82.7%，Chronos-2为76.8%。13 Bernama的报道也列出了Timestral-209M和t0-gamma的胜率。2

但模型范围一变，排名也会变。H2O.ai的排行榜注明，纳入闭源API模型后，TimeH2O-v1在36个模型中排名第二；公司公布的领先成绩也明确包含非商业模型。136因此，“第一”指的是特定榜单配置，而非涵盖所有模型的无条件结论。

第三方榜单还给出了不同的fev-bench数字。TSFM.ai列出的TimeH2O-v1胜率为86.14%，MASE技能分为39.95；按该项MASE指标排序，它位列第三，排在TimeRSI-1.5和TimeRSI之后。19这些数字不能与H2O.ai公布的91.9%胜率和50.8技能分直接视为同一组成绩。不同榜单视图展示的分数和排名并不一致，因此比较时应注明采用的指标与榜单版本。

GIFT-Eval：另一项基准上的好成绩

在另一项基准GIFT-Eval上，H2O.ai报告称，TimeH2O-v1在零样本模型中的汇总MASE和CRPS最低，分别为0.654和0.441。6TSFM.ai的GIFT-Eval页面则列出四舍五入后的0.65和0.44；作为对照，Timestral-209M对应的数值为0.66和0.45。24

GIFT-Eval与fev-bench是不同的基准，不能用前者的结果来改写或佐证后者的排行榜名次。

协变量支持：基准实现有明确限制

fev-bench任务中包含带协变量的情形。不过，fev项目中列出的TimeH2O-v1封装说明，相关检查点会对每个目标序列独立预测，并忽略协变量，将任务转换为单变量序列。1922

这说明的是该基准实现中的处理方式，并不能据此判断TimeH2O产品或其他部署接口的全部能力。现有材料也没有说明客户如何微调模型、需要什么基础设施，或是否已有经过验证的客户数据定制流程。因此，在将这些能力视为已确认功能前，应向H2O.ai进一步核实。

训练数据披露与基准重叠

TimeH2O-v1模型卡称，训练时排除了与fev-bench、GIFT-Eval和TIME重叠的数据集。48披露的训练数据来源包括AutoGluon的Chronos数据集、Salesforce的GiftEvalPretrain和lotsa_data，以及Quito语料库。模型卡摘录显示，各数据集采用的许可并不相同，包括Apache-2.0和CC-BY 4.0；已披露列表未必完整。8

权重开放，但商业使用有许可条件

模型权重托管在H2O.ai的Hugging Face仓库中，用户下载文件前需要接受访问条件。10仓库列出的许可为H2O Model Non-Commercial Licence v1.0。H2O.ai产品页指出，生产环境使用需要获得公司的许可，因此“开放权重”不等于可以不受限制地用于商业部署。514

H2O.ai还提供TimeH2O-v1-tiny版本，参数量为583万，同样采用所列的非商业许可。1214现有材料没有证明tiny版本能达到TimeH2O-v1的预测表现。

结论

TimeH2O-v1公布了有竞争力的零样本预测成绩：H2O.ai的fev-bench视图列出91.9%的胜率和50.8的技能分，公司还报告其在GIFT-Eval零样本模型中取得最低的汇总MASE与CRPS。16但解读成绩时也要看清边界：不同榜单展示的fev-bench分数和名次不同，纳入闭源API模型会改变排名，开放权重也不代表可直接用于商业生产。131419

H2O.ai于2026年10月26日发布TimeH2O-v1，一款面向零样本时间序列预测的基础模型。公司公布的亮眼数字是：在fev-bench的100项任务中，胜率达到91.9%，技能分为50.8。1713

不过，“排名第一”需要连同榜单口径一起看。这些数字对应特定的排行榜视图和指标，并不意味着它在所有模型范围、所有指标下都稳居第一。

TimeH2O-v1是什么？

TimeH2O-v1是一款开放权重模型，参数量为1.088亿，常简写为约1.08亿。所谓“零样本预测”，是指直接将预训练模型用于时间序列预测，而不必针对每条序列单独训练一个模型。1613

H2O.ai介绍，fev-bench使用概率预测评估模型，并以季节性朴素预测作为基准。该基准包含100项任务；另一份排行榜说明，这些任务来自96个真实数据集，覆盖7个领域。119

fev-bench成绩：默认榜单第一，不等于所有口径第一

按H2O.ai列出的默认胜率榜单，TimeH2O-v1在32个模型中排名第一，胜率为91.9%。榜单上Timestral-209M为89.6%，t0-gamma为88.1%，TimesFM-3为82.7%，Chronos-2为76.8%。13 Bernama的报道也列出了Timestral-209M和t0-gamma的胜率。2

但模型范围一变，排名也会变。H2O.ai的排行榜注明，纳入闭源API模型后，TimeH2O-v1在36个模型中排名第二；公司公布的领先成绩也明确包含非商业模型。136因此，“第一”指的是特定榜单配置，而非涵盖所有模型的无条件结论。

第三方榜单还给出了不同的fev-bench数字。TSFM.ai列出的TimeH2O-v1胜率为86.14%，MASE技能分为39.95；按该项MASE指标排序，它位列第三，排在TimeRSI-1.5和TimeRSI之后。19这些数字不能与H2O.ai公布的91.9%胜率和50.8技能分直接视为同一组成绩。不同榜单视图展示的分数和排名并不一致，因此比较时应注明采用的指标与榜单版本。

GIFT-Eval：另一项基准上的好成绩

在另一项基准GIFT-Eval上，H2O.ai报告称，TimeH2O-v1在零样本模型中的汇总MASE和CRPS最低，分别为0.654和0.441。6TSFM.ai的GIFT-Eval页面则列出四舍五入后的0.65和0.44；作为对照，Timestral-209M对应的数值为0.66和0.45。24

GIFT-Eval与fev-bench是不同的基准，不能用前者的结果来改写或佐证后者的排行榜名次。

协变量支持：基准实现有明确限制

fev-bench任务中包含带协变量的情形。不过，fev项目中列出的TimeH2O-v1封装说明，相关检查点会对每个目标序列独立预测，并忽略协变量，将任务转换为单变量序列。1922

这说明的是该基准实现中的处理方式，并不能据此判断TimeH2O产品或其他部署接口的全部能力。现有材料也没有说明客户如何微调模型、需要什么基础设施，或是否已有经过验证的客户数据定制流程。因此，在将这些能力视为已确认功能前，应向H2O.ai进一步核实。

训练数据披露与基准重叠

TimeH2O-v1模型卡称，训练时排除了与fev-bench、GIFT-Eval和TIME重叠的数据集。48披露的训练数据来源包括AutoGluon的Chronos数据集、Salesforce的GiftEvalPretrain和lotsa_data，以及Quito语料库。模型卡摘录显示，各数据集采用的许可并不相同，包括Apache-2.0和CC-BY 4.0；已披露列表未必完整。8

权重开放，但商业使用有许可条件

模型权重托管在H2O.ai的Hugging Face仓库中，用户下载文件前需要接受访问条件。10仓库列出的许可为H2O Model Non-Commercial Licence v1.0。H2O.ai产品页指出，生产环境使用需要获得公司的许可，因此“开放权重”不等于可以不受限制地用于商业部署。514

H2O.ai还提供TimeH2O-v1-tiny版本，参数量为583万，同样采用所列的非商业许可。1214现有材料没有证明tiny版本能达到TimeH2O-v1的预测表现。

结论

TimeH2O-v1公布了有竞争力的零样本预测成绩：H2O.ai的fev-bench视图列出91.9%的胜率和50.8的技能分，公司还报告其在GIFT-Eval零样本模型中取得最低的汇总MASE与CRPS。16但解读成绩时也要看清边界：不同榜单展示的fev-bench分数和名次不同，纳入闭源API模型会改变排名，开放权重也不代表可直接用于商业生产。131419