t0-alpha 是 The Forecasting Company 发布的开放权重时序预测基础模型（~102M 参数，Apache-2.0）：decoder-style patch transformer，原生支持多协变量（历史协变量 + 已知未来协变量），输出概率型多步预测（分位数）。在 fev-bench（Skill 42.2）与 GIFT-Eval（CRPS 0.4941 / MASE 0.7240）榜单居前。
原始模型：theforecastingcompany/t0-alpha
官方代码/包：theforecastingcompany/tfc-t0（pip install tfc-t0，本仓库已验证 0.x 可用）
架构（官方 T0Config.medium()，embed_dim=512、24 层、8 heads、MLP 2048、patch_size=32、GROUP 注意力每 3 层一次、arcsinh scaler、分位数头 (0.1, 0.25, 0.5, 0.75, 0.9)）。
⚠️ 权重获取说明（重要）：上游 Hugging Face 仓库为 gated repo（需向作者申请访问授权）。本容器内
models/目录仅有 README/LICENSE，多次用snapshot_download（hf-mirror）重下均被拒绝：Access to model theforecastingcompany/t0-alpha is restricted。因此本仓库的推理演示采用官方发布架构 + 固定种子随机初始化的同构模型（101.6M 参数），完整验证 NPU/CPU 双端执行路径（架构、arcsinh scaler、自回归 rollout、分位数头）；不代表官方权重的预测质量。获得授权后，将 safetensors 放入models/即自动切换为T0Forecaster.from_pretrained(models/)加载真实权重，无需改代码。
# 1. 克隆仓库
git clone https://gitcode.com/weasonlee/t0-alpha.git
cd t0-alpha
# 2. 安装依赖
pip install -r requirements.txt
# 3. 下载权重到 models/（已 .gitignore 排除）
# 注意：上游为 gated repo，需先在 HF 页面申请访问授权并配置 token
mkdir -p models
HF_ENDPOINT=https://hf-mirror.com python -c "
from huggingface_hub import snapshot_download
snapshot_download('theforecastingcompany/t0-alpha', local_dir='models')"
# 4. 推理（NPU；无权重时自动回退为同架构随机初始化并明确标注）
python inference.py --device npu
# 或 CPU
python inference.py --device cpu$ python inference.py --device npu
torch.npu.is_available() = True
torch.npu.device_count() = 2
[info] device = npu:0, torch = 2.9.0+cpu
[load] random init, published T0Config.medium() architecture
[load] parameters = 101.6M
[info] context = (4, 512) (seasonal+trend+noise), horizon = 64, quantiles = [0.1, 0.5, 0.9]
[time] run 0: 41 ms
[time] avg: 40 ms (context 512 -> horizon 64)
[out ] quantiles: shape=(4, 64, 3) mean=3.0467 std=4.5856 min=-1.169 max=30.956
[out ] median: mean=1.5651 std=0.9316
===== CPU vs NPU comparison (batch=4, horizon=64) =====
quantiles cos_sim=1.00000000 max_abs_err=6.104e-05 mean_abs_err=2.076e-06
median cos_sim=1.00000000 max_abs_err=4.053e-06 mean_abs_err=8.160e-07输入：固定种子（seed=42）合成的季节+趋势+噪声时序（batch=4 × 512 步上下文），预测 horizon=64、分位数 [0.1, 0.5, 0.9]；CPU 与 NPU 的模型初始化种子与输入完全一致。
| 输出 | cos_sim | max_abs_err | mean_abs_err |
|---|---|---|---|
| quantiles（4×64×3 分位数预测） | 1.00000000 | 6.104e-05 | 2.076e-06 |
| median（4×64 中位数预测） | 1.00000000 | 4.053e-06 | 8.160e-07 |
| 单次 rollout 耗时（含同步，3 次均值） | NPU ~40 ms vs CPU ~351 ms（~9× 加速） | — | — |
结论：NPU（Ascend 910, torch-npu 2.9.0.post1）与 CPU 的自回归 rollout 与分位数输出完全一致（误差 1e-5 量级，fp32），执行路径适配成功。待获得官方权重授权后可直接复跑真实推理。
├── inference.py # 推理脚本（T0Forecaster + 合成时序 + NPU/CPU 对比）
├── readme.md
├── requirements.txt
├── models/ # 权重目录（gated，需自行下载，已 gitignore）
├── assets/ # 运行截图
│ ├── agent_workflow.png
│ ├── npu_device_call.png
│ └── model_result.png
└── results/ # 每次运行的输出/耗时产物（gitignore）The Forecasting Company. "t0-alpha: an open-weights time-series forecasting foundation model." 2025. https://huggingface.co/theforecastingcompany/t0-alpha