timer-base-84m — 昇腾 NPU 适配模型

赛事: 昇腾 Model Agent 模型适配大赛（第二季）引擎: torch_npu + transformers 4.40.1 (trust_remote_code) 硬件: Ascend 910B 系列（实测 Ascend910B4）标签: npu ascend pytorch transformers

📖 模型简介

属性	值
原始模型	thuml/timer-base-84m
架构	Causal Transformer（Decoder-only），TIMER 大规模时序基础模型
参数量	84.14M（预训练 260B 时间点）
任务类型	时序预测（Time Series Forecasting，zero-shot）
输入格式	长度 ≤ 2880 的过去值序列
输出格式	未来 96 步预测

🔧 环境依赖

⚠️ TIMER 使用自定义 transformers 代码（trust_remote_code），需与 transformers==4.40.1 配套。

python3 -m venv --system-site-packages venv
source venv/bin/activate
pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/

🚀 推理步骤

⚠️ 本仓库不包含模型权重（交付件仅 inference.py / readme.md / requirements.txt / assets/），推理前必须先从原始模型仓单独下载权重。

# 1. 下载模型权重（仓库不含权重，必须单独下载）
git clone https://gitcode.com/hf_mirrors/thuml/timer-base-84m.git .
git lfs pull

# 2. 运行 NPU 推理（缺省 2880 点示例数据，预测 96 步）
python3 inference.py --model_path . --device npu:0

# 自定义输入
python3 inference.py --model_path . --input "50,50.5,51,..." --prediction_length 96 --device npu:0

🧪 测试用例

用例 1: 时序预测（2880 点上下文 → 96 步）

python3 inference.py --model_path . --device npu:0

预期输出:

[Model Agent] ✅ NPU 设备就绪: Ascend910B4
[Model Agent] ✅ 模型加载完成 → npu:0
[Model Agent] 📊 输入过去值: 2880 个, 预测 96 步
[Model Agent] ✅ 推理完成 → 预测 96 步, 耗时 296.91 ms
[Model Agent] 📈 预测前5: [108.05, 107.97, 107.95, 108.29, 107.69]
[Model Agent] ✅ 结果已保存 → inference_result.json

📁 目录结构

.
├── inference.py          # NPU 推理脚本
├── readme.md             # 本文件
├── requirements.txt      # 依赖清单
└── assets/               # 截图素材

📝 适配说明

本模型由昇腾 Model Agent 自动完成 NPU 适配。 TimerForPrediction（自定义 Causal Transformer）迁移至昇腾 NPU：

专属 venv 使用 transformers==4.40.1（TIMER 官方指定版本，自定义代码与 5.x 不兼容）；
trust_remote_code=True 加载自定义 modeling_timer.py；
调用 torch_npu 完成设备初始化，model.generate() 自回归生成预测。

timer-base-84m — 昇腾 NPU 适配模型

赛事: 昇腾 Model Agent 模型适配大赛（第二季）引擎: torch_npu + transformers 4.40.1 (trust_remote_code) 硬件: Ascend 910B 系列（实测 Ascend910B4）标签: npu ascend pytorch transformers

📖 模型简介

属性	值
原始模型	thuml/timer-base-84m
架构	Causal Transformer（Decoder-only），TIMER 大规模时序基础模型
参数量	84.14M（预训练 260B 时间点）
任务类型	时序预测（Time Series Forecasting，zero-shot）
输入格式	长度 ≤ 2880 的过去值序列
输出格式	未来 96 步预测

🔧 环境依赖

⚠️ TIMER 使用自定义 transformers 代码（trust_remote_code），需与 transformers==4.40.1 配套。

python3 -m venv --system-site-packages venv
source venv/bin/activate
pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/

🚀 推理步骤

⚠️ 本仓库不包含模型权重（交付件仅 inference.py / readme.md / requirements.txt / assets/），推理前必须先从原始模型仓单独下载权重。

# 1. 下载模型权重（仓库不含权重，必须单独下载）
git clone https://gitcode.com/hf_mirrors/thuml/timer-base-84m.git .
git lfs pull

# 2. 运行 NPU 推理（缺省 2880 点示例数据，预测 96 步）
python3 inference.py --model_path . --device npu:0

# 自定义输入
python3 inference.py --model_path . --input "50,50.5,51,..." --prediction_length 96 --device npu:0

🧪 测试用例

用例 1: 时序预测（2880 点上下文 → 96 步）

python3 inference.py --model_path . --device npu:0

预期输出:

[Model Agent] ✅ NPU 设备就绪: Ascend910B4
[Model Agent] ✅ 模型加载完成 → npu:0
[Model Agent] 📊 输入过去值: 2880 个, 预测 96 步
[Model Agent] ✅ 推理完成 → 预测 96 步, 耗时 296.91 ms
[Model Agent] 📈 预测前5: [108.05, 107.97, 107.95, 108.29, 107.69]
[Model Agent] ✅ 结果已保存 → inference_result.json

📁 目录结构

.
├── inference.py          # NPU 推理脚本
├── readme.md             # 本文件
├── requirements.txt      # 依赖清单
└── assets/               # 截图素材

📝 适配说明

本模型由昇腾 Model Agent 自动完成 NPU 适配。 TimerForPrediction（自定义 Causal Transformer）迁移至昇腾 NPU：

专属 venv 使用 transformers==4.40.1（TIMER 官方指定版本，自定义代码与 5.x 不兼容）；
trust_remote_code=True 加载自定义 modeling_timer.py；
调用 torch_npu 完成设备初始化，model.generate() 自回归生成预测。