H2O.ai正式发布时间序列基础模型TimeH2O-v1。在fev-bench排行榜中，该模型以91.9%的胜率位居32款模型之首，表现优于Mistral、谷歌及亚马逊旗下的相关模型。
在涵盖100项预测任务的基准测试中，TimeH2O-v1取得50.8的技能分数，领先于Timestral-209M、t0-gamma、TimesFM-3和Chronos-2等竞品。
“通过准确的预测和预报来构建您的业务，是AI的超能力。”H2O.ai创始人兼首席执行官Sri Ambati表示。
零样本能力打破传统建模局限
预测需求贯穿企业运营始终，涵盖库存、现金流、能源负荷及患者数量等场景。传统模式下，组织需为每个时间序列单独构建和维护模型，并在数据变动时重新训练。相比之下，TimeH2O-v1具备零样本（Zero-shot）能力，仅需读取历史数据即可直接预测，无需针对特定数据进行训练或微调，其模型权重保持不变。
尽管未在fev-bench的任何数据集上进行过训练，TimeH2O-v1依然凭借通用预训练优势登顶榜首。Sri Ambati指出，该模型可作为通用基座，随后针对客户具体用例微调为领域特定的基础模型。
核心性能指标解析
截至2026年10月23日，fev-bench对来自多领域、多频率的真实时间序列进行了零样本评分，主要衡量模型相对于季节性朴素基线（seasonal-naive baseline）的概率准确性表现：
- 胜率第一：在对决比较中，TimeH2O-v1以91.9%的胜率击败其他模型。Timestral-209M以89.6%的胜率紧随其后，t0-gamma为88.1%。
- 技能分数50.8：在100项任务的聚合测试中，其预测误差比季节性朴素基线低50.8%。
- 零样本机制：模型直接读取序列历史数据进行预测，无需额外训练或权重更新。
专为商业场景打造
TimeH2O-v1拥有1.08亿参数，支持单变量序列及包含协变量（如价格、促销、天气等外部信号）的序列预测。该模型在金融、医疗、供应链和能源等领域表现优异。
零样本能力仅是起点。组织可在自有基础设施上，利用私有数据对TimeH2O-v1进行微调，以在特定垂直领域获得更高的预测精度。更多详细基准测试结果可在H2O.ai官网查看。