NX-AI/TiRex 在昇腾 NPU 上的部署

本仓库提供论文 [TiRex: Zero-Shot Forecasting across Long and Short Horizons with Enhanced In-Context Learning](https://arxiv.o 中提出的预训练预测模型 TiRex。

1. 模型简介

属性	值
模型名	`NX-AI/TiRex`
原始权重	ModelScope / HuggingFace / AtomGit 镜像
任务类型	feature-extraction
输入	见 inference.py
输出	特征向量
框架	PyTorch + torch_npu
官方实现	https://github.com/NX-AI/xlstm

参考

官方实现 / 论文仓库：

https://github.com/NX-AI/xlstm

2. 环境依赖清单

# 推荐 conda 环境：pix2struct-npu（torch 2.10.0 + torch_npu 2.10.0）
# 依赖见 requirements.txt

国内 pip 源（清华）：https://pypi.tuna.tsinghua.edu.cn/simple

权重提前下载（国内源）

权重文件不随仓库分发，推理前请先通过国内下载源拉取至本地缓存（推荐使用 ModelScope，失败时自动回退至 HF 镜像）：

# 方式一：ModelScope（国内直连，最快）
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
python -c "from modelscope import snapshot_download; snapshot_download('NX-AI/TiRex', cache_dir='./weights')"

# 方式二：HF 镜像（hf-mirror.com）
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download NX-AI/TiRex --local-dir ./weights/TiRex

inference.py 会自动根据 WEIGHTS_ROOT（默认为 /data/model-agent/weights/phase3）定位已下载的权重文件，您也可以通过环境变量将其指向上述 ./weights 目录，例如：WEIGHTS_ROOT=./weights python inference.py

硬件环境：单卡 Ascend 910B4（npu:1）

3. 分步推理操作流程

conda activate pix2struct-npu
python inference.py          # NPU 推理
python eval_accuracy.py      # CPU vs NPU 精度对比
python benchmark.py          # NPU 性能基准

推理示例（真实输入，可复现）

import torch, torch_npu
from transformers import AutoModel, AutoTokenizer
m = AutoModel.from_pretrained("NX-AI/TiRex", trust_remote_code=True).to("npu:0").eval()
tok = AutoTokenizer.from_pretrained("NX-AI/TiRex", trust_remote_code=True)
inputs = tok("How to use this model?", return_tensors="pt").to("npu:0")
outputs = m(**inputs)

4. 完整测试用例 + 输出结果

输入：示例文本/序列（见 inference.py）

输出（来自 logs/inference.log）：

5. CPU 与 NPU 精度对比（仅作记录，无硬性约束）

指标	数值
最大绝对误差	不适用
相对误差	不适用
余弦相似度	不适用

注：本次适配无精度要求，精度数据仅作为质量佐证。详见 logs/accuracy.log。

6. NPU 推理性能

指标	数值
平均延迟	不适用
p50	不适用
吞吐量	不适用

7. 自验证截图（assets/）

文件	内容
agent_workflow.png	Agent 完整适配工作流
npu_device_call.png	推理时 npu-smi info（Ascend910B4）
model_result.png	适配验收结果

8. 标签

#NPU #Ascend #Ascend910 #model-agent-tagged

仓库：https://gitcode.com/v_50/NX-AI-TiRex-NPU 适配日期：2026-08-12 ｜赛道：第二季·模型适配·阶段三