Google TimesFM-3：超越基准的多变量时序预测（附带许可限制）

大型语言模型擅长预测下一个词。对企业来说，时序预测模型本质上对数据做同样的事。过去几年出现了大量更好的预测模型：去年有 Amazon 的 Chronos-2 和 Salesforce 的 Moirai 2.0，最近 Datadog 发布了 Toto 2.0。2026 年 8 月 31 日，Google 发布了 TimesFM-3：一个 3.3 亿参数、在超过一万亿真实与合成数据点上训练的模型。这是 Google 第一个原生预训练处理多相关时序、并支持零样本泛化的预测模型，还能并行预测多个相关时序、纳入历史客流量等数据。

1. 为什么多变量很重要

Google 研究科学家 Ayush Jain 和 Rajat Sen 在公告中解释：「大多数现实世界的预测问题本质上是多变量的：多个时间序列和辅助外部特征共同影响一个时间序列的未来预测。」过去的销量只讲了故事的一部分。一个好的预测还应该参考相关产品的销量（例如冰淇淋蛋筒和糖浆）、历史客流量，以及已知的未来事件——天气预报、促销和节假日。TimesFM-3 是 Google 第一个原生预训练来处理这些多时序并做到零样本泛化的模型：不需要为每个数据集重新训练，直接对多个相关时序做并行预测。

// TimesFM-3 is a decoder-only transformer that chops each
// time series into patches of 32 data points and treats
// them roughly the way a language model treats tokens.
// Google's researchers: "most real-world forecasting
// problems are inherently multivariate: where multiple
// time series and auxiliary external features jointly
// impact the future forecast of a time series."
const CONFIG = {
  "model": "timesfm-3.0-330m",
  "patch_size": 32,               // points per patch/token
  "attention": [
    "causal across time within a series",  // no future leak
    "cross-series at a given moment"       // promotion in one
  ],                                        // line informs another
  "pretrained": "1T+ real and synthetic data points"
};

2. 架构：分块 + 双向注意力 + 掩码解码

和它的前代一样，TimesFM-3 是 decoder-only transformer，把每个时间序列切成 32 个数据点的 patch，大致像语言模型对待 token 那样处理。新东西在于这些 token 现在流经两种交替的注意力层：第一种在单个序列内沿时间向后看，严格保持因果——模型看不到它不应该知道的值；第二种在给定时刻跨所有序列横向看——这就是为什么一个产品线的促销可以给另一个产品的预测提供信息。解码也变了：早期版本一次生成一个 patch 的预测，增加了延迟并沿途累积错误。TimesFM-3 为整个预测区间追加掩码占位 token，然后单次前向传播全部填满。

// Zero-shot inference: past sales only tell part of the
// story. A good forecast also draws on sales of related
// products (ice cream cones, syrups), historical foot
// traffic, and known future events like weather forecasts,
// promotions, and holidays. TimesFM-3 ingests multiple
// series and forecasts them in parallel, out of the box.
from huggingface_hub import snapshot_download
import torch

model = TimesFm.load_pretrained("google/timesfm-3.0")
series = torch.tensor([
  [120, 132, 118, 141, 155],   # ice cream cone sales
  [98, 105, 101, 112, 119],    # syrup sales
  [430, 455, 470, 498, 512],   # foot traffic
])
horizon = 7
forecast = model.forecast(series, horizon=horizon)
# Returns parallel forecasts for all three series.

3. 基准：全面领先，前代垫底

在 Google 分享的基准中，TimesFM-3 全面超越这些模型，而且往往领先幅度显著。团队考察了 Salesforce 的 Gift-Eval、Amazon/AutoGluon 的 FEV-Bench 和 TimeBench。最令人惊讶的或许是：TimesFM-2.5——2025 年 9 月发布时还是 SOTA——现在在基准里垫底。这个领域的发展就是这么快。对企业选型来说，这意味着「去年的最佳模型」可能已经不再是合理默认，预测模型的更新节奏已经接近基础模型本身。

// Masked decoding: earlier versions generated forecasts
// one patch at a time, which added latency and compounded
// errors along the way. TimesFM-3 appends masked placeholder
// tokens for the entire forecast horizon and fills them all
// in with a single forward pass.
def forecast_all_at_once(model, context, horizon):
    n_patches = ceil(horizon / model.patch_size)
    seq = torch.cat([context, MASK.repeat(n_patches)])
    logits = model(seq)          # one forward pass
    return logits[context_len:]  # all horizon patches filled

4. 许可的坑：非商业许可

Google 决定以非商业许可发布新模型。这在模型构建者世界里正成为一种趋势。TimesFM-2.5 仍以 Apache 2.0 发布——Toto 2.0 和 Chronos-2 也是。TimesFM-3 的源代码仍在 Apache 许可下，但 Google 明确说明：「目前 TimesFM 3.0 预训练权重在独立的 timesfm-non-commercial-license-v1.0 许可下分发，限于非商业、非生产用途。默认预训练权重的商业或生产用途不被允许。」Google 很快会用 TimesFM-3 替换驱动 BitQuery 的 AI.FORECAST 命令的 TimesFM-2.5——它在积极变现这些模型。所有玩家都把预测模型集成进自己的平台，但 Google 在限制 SOTA 权重的同时通过数据仓库打开付费路径，是很明确的信号：这些实验室认为长期的钱在哪里。

5. 代码实战：配置、零样本推理、掩码解码、许可检查、基准

本文的代码块把模型拆开：代码块一是核心配置——330M 参数、32 点 patch、两种注意力（时序内因果 + 时刻间跨序列）、万亿级预训练数据；代码块二是零样本推理——把冰淇淋蛋筒销量、糖浆销量、客流量三组序列一起喂进去，并行预测 7 步；代码块三是掩码解码——为整个预测区间追加掩码占位 token、单次前向传播填满，替代逐 patch 生成；代码块四是许可检查——源代码 Apache 2.0、权重非商业许可、商业路径走 BigQuery AI.FORECAST；代码块五是基准速览——Gift-Eval、FEV-Bench、TimeBench，击败 Chronos-2、Moirai 2.0、Toto 2.0，前代 TimesFM-2.5 垫底。

// The license catch: source code is Apache 2.0, but the
// pretrained weights ship under the separate
// timesfm-non-commercial-license-v1.0 -- restricted to
// non-commercial, non-production use. Check before you
// build a product on it.
const LICENSE_CHECK = {
  "source_code": "Apache 2.0 (open)",
  "pretrained_weights": "timesfm-non-commercial-license-v1.0",
  "allowed": ["research", "evaluation", "non-commercial"],
  "forbidden": ["commercial use", "production use"],
  "commercial_path": "Google BigQuery AI.FORECAST (paid)",
};
// TimesFM-2.5 shipped Apache 2.0; Toto 2.0 and Chronos-2
// are Apache 2.0 too. Google restricting the SOTA weights
// while opening a paid path through its data warehouse is
// a clear signal of where the labs think the money is.

6. 对你的意义

对做需求预测、容量规划、销售分析的团队，TimesFM-3 验证了一个方向：多变量零样本预测已经成熟到可以开箱即用，不再需要为每个数据集训练专门模型。但落地前有三个检查：第一，许可——非商业权重不能直接进生产，商业路径目前是 Google BigQuery 的 AI.FORECAST；第二，基准要自己跑——模型发布方的基准是方向性证据，用你自己的数据分布验证；第三，关注更新节奏——如果你的预测模型还停在 2025 年的 SOTA，你已经在用「垫底模型」了。这个领域的半衰期越来越短。

// Benchmarks that matter: Google evaluated against
// Salesforce's Gift-Eval, Amazon/AutoGluon's FEV-Bench, and
// TimeBench -- and TimesFM-3 outperforms Chronos-2 (Amazon),
// Moirai 2.0 (Salesforce), and Toto 2.0 (Datadog), often by
// a significant margin. The shocker: TimesFM-2.5, SOTA when
// it launched in September 2025, is now at the bottom.
const BENCHMARKS = {
  "suites": ["Gift-Eval", "FEV-Bench", "TimeBench"],
  "beaten": ["Chronos-2 (Amazon)", "Moirai 2.0 (Salesforce)",
             "Toto 2.0 (Datadog)"],
  "note": "TimesFM-2.5 (Sep 2025 SOTA) now at the bottom --
          that is how fast this field is developing."
};