Toto 2.0 : La prévision de séries temporelles entre dans l’ère du passage à l’échelle

Résumé

Nous montrons que les modèles fondamentaux de séries temporelles passent à l’échelle : une recette d’entraînement unique produit des améliorations fiables de la qualité des prévisions, de 4 millions à 2,5 milliards de paramètres. Nous publions Toto 2.0, une famille de cinq modèles de prévision à poids ouverts entraînés selon cette recette. La famille Toto 2.0 établit un nouvel état de l’art sur trois benchmarks de prévision : BOOM, notre benchmark d’observabilité ; GIFT-Eval, le benchmark standard polyvalent ; et le récent benchmark TIME résistant à la contamination. Ce rapport décrit nos résultats expérimentaux et détaille les décisions de conception derrière Toto 2.0 : son architecture et sa recette d’entraînement, les données d’entraînement, et le pipeline de transfert d’hyperparamètres u-muP. Les cinq points de contrôle de base sont publiés sous licence Apache 2.0.

English

We show that time series foundation models scale: a single training recipe produces reliable forecast-quality improvements from 4M to 2.5B parameters. We release Toto 2.0, a family of five open-weights forecasting models trained under this recipe. The Toto 2.0 family sets a new state of the art on three forecasting benchmarks: BOOM, our observability benchmark; GIFT-Eval, the standard general-purpose benchmark; and the recent contamination-resistant TIME benchmark. This report describes our experimental results and details the design decisions behind Toto 2.0: its architecture and training recipe, training data, and the u-muP hyperparameter transfer pipeline. All five base checkpoints are released under Apache 2.0.