EXAONE Demand 1.0 mira previsão de demanda com 11,3 mi de séries

O que aconteceu

O EXAONE Demand 1.0, modelo de fundação para séries temporais, foi submetido ao arXiv em 25 de setembro de 2026 sob o identificador 2609.30880, na categoria Computer Science > Artificial Intelligence. A EXAONE Demand 1.0 parte de duas peças: um corpus voltado a demanda e um adapter sensível a esse tipo de dado.

O corpus reúne 11,3 milhões de séries e 48,4 bilhões de observações extraídas de 73 fontes. Como os dados abertos de demanda cobrem mal certos comportamentos, o time acoplou um gerador sintético para preencher o que falta. O adapter, por sua vez, liga ramos de baixo posto (low-rank) a um backbone de domínio geral mantido congelado. São quatro ramos, um para cada classe de demanda: lisa (smooth), intermitente (intermittent), errática (erratic) e irregular (lumpy). Um roteador lê oito estatísticas livres de escala da série de entrada e define quanto cada ramo contribui na previsão final.

Os autores treinaram duas versões. A primeira combina demanda real e sintética. A segunda usa apenas o corpus sintético.

Contexto

Modelos de fundação para séries temporais (TSFMs) são pré-treinados em séries de domínios variados. Dados de demanda representam uma fração pequena desse material. O problema é que a demanda tem propriedades que esses corpora raramente exibem: históricos curtos, zeros frequentes, censura causada por ruptura de estoque (stock-outs) e eventos exógenos que a própria série não registra.

Esse descompasso explica a escolha de arquitetura. Em vez de ajustar o backbone inteiro, o EXAONE Demand 1.0 congela o modelo geral e treina apenas os ramos especializados, o que separa o conhecimento genérico de séries do comportamento particular de demanda. A divisão em quatro classes parte de uma tipologia consolidada na área, que distingue padrões pela frequência de zeros e pela variabilidade dos valores.

Por que importa

O teste do modelo foi feito em 22 datasets mantidos fora do treino. Nas duas configurações, o EXAONE Demand 1.0 superou 36 TSFMs. O dado mais relevante do paper é a diferença entre as versões: a demanda real agrega ganho sobre o treino feito só com dados sintéticos. Isso indica que o gerador sintético não substitui os dados reais, apenas cobre lacunas que eles deixam.

Para quem opera previsão de estoque, o resultado aponta um caminho distinto do uso de modelos genéricos ajustados por cima. A especialização em classes de demanda e o roteamento por estatísticas da série atacam justamente os casos em que previsões erram mais: itens com histórico curto e vendas intermitentes, comuns em varejo de cauda longa e em peças de reposição.

Impacto

A adoção de um modelo de fundação para demanda reduz a dependência de ajuste manual por série. Em operações com milhares de SKUs, o custo de modelar item a item é o principal gargalo, e um backbone congelado com ramos leves tende a ser mais barato de manter do que 36 alternativas treinadas do zero.

O paper não informa quais empresas usam o modelo, qual a latência de inferência nem o custo computacional do treino. Também não detalha a composição das 73 fontes de dados nem se há restrição de licença para uso comercial.

O que muda

A arquitetura com quatro ramos por classe de demanda muda o desenho padrão de TSFMs, que normalmente tratam todas as séries com o mesmo conjunto de parâmetros. Ao ler oito estatísticas livres de escala antes de prever, o roteador decide a mistura de ramos por série, em vez de aplicar um comportamento único ao conjunto.

O segundo ponto é metodológico: o paper separa explicitamente o ganho do dado real e o do dado sintético, com duas versões treinadas e comparadas. Essa divisão permite medir o que cada fonte acrescenta, algo que muitos trabalhos na área não isolam.

O que vem agora

O EXAONE Demand 1.0 está publicado como preprint no arXiv, o que significa que ainda não passou por revisão por pares. O texto não indica data de submissão a conferência, liberação de pesos, código ou do corpus de 11,3 milhões de séries. Os próximos passos dependem de o time abrir o modelo para uso externo e de a avaliação em 22 datasets ser replicada por grupos independentes.

Fontes

• arXiv cs.AI: EXAONE Demand 1.0: A Time Series Foundation Model for Demand Forecasting (https://arxiv.org/abs/2609.30880)