TimesFM-3

# TimesFM-3 产品描述 ## 产品简介 TimesFM-3 是 Google Research 时序预测团

LLM大模型部分免费

访问官网 ↗

TimesFM-3 产品描述

产品简介

TimesFM-3 是 Google Research 时序预测团队于 2026 年 8 月 31 日正式开源的第三代时序基础模型，参数量为 3.3 亿，原生支持多变量零样本预测。作为 TimesFM 系列的重大升级版本，3.0 版本彻底突破了此前只支持单变量预测的局限，首次实现多序列联合推理，可在无需任务特定微调的情况下，对多个相关时序序列进行联合预测，并同步支持过去协变量与未来已知协变量（如促销日历、节假日、天气等）的高效建模。模型在 fev-bench、TIME Benchmark 与 GIFT-Eval 三大公开基准上均取得总体排名第一的成绩，成为当前最强的开源时序预测模型。

核心功能

一、多变量零样本预测

TimesFM-3 最大的技术突破在于原生支持多变量时序预测。不同于只能处理单一序列的前代版本，3.0 版本可以在单次前向传播中同时接收多个目标序列的上下文信息，通过变分注意力机制（Variate Attention）捕捉不同序列之间的相关性，并进行联合预测。这意味着在零售场景中，模型可以同时参考历史销量、门店客流、天气变化和促销事件等多个变量，一次性输出综合预测结果，显著提升了预测的准确性和业务可用性。

二、灵活协变量建模

模型内置了对协变量的原生支持，用户可传入两类协变量：一是"仅过去协变量"（past-only covariates），即只有历史数据可用的外部因素（如历史天气）；二是"过去加未来协变量"（past-and-future covariates），即提前已知未来数值的影响因素（如节假日日历、已安排的促销活动、未来天气预报）。这种双轨协变量机制让 TimesFM-3 能够充分利用业务先验知识，而无需为每个场景单独微调模型。

三、概率区间预测

TimesFM-3 内置了 9 个分位数预测头（quantile head），输出从第 10 百分位到第 90 百分位的预测区间，用户可以据此构建置信区间评估预测的不确定性。相比只输出单一预测值的模型，概率预测功能对于风险敏感的金融和供应链场景具有极高的实用价值，决策者可以据此判断需求波动范围而不仅是点估计值。

四、零样本泛化能力

TimesFM-3 在超过 1 万亿个真实与合成时间点上完成预训练，覆盖零售、交通、能源、医疗等多个领域的时间序列数据。这种大规模预训练赋予了模型强大的零样本泛化能力——用户无需针对自己的业务数据做任何微调，直接将历史数据输入模型即可获得高质量预测结果，极大降低了使用门槛和部署成本。

五、多目标同时预测

在单一预测任务中，用户可以一次性请求对多个相关序列的预测结果。例如，同时预测某零售连锁旗下数十个品牌的销量，模型会给出每个品牌独立的预测值，同时保留序列间的相关性约束，输出的预测结果可以直接用于多品牌组合规划和资源调配决策。

六、丰富的集成生态

TimesFM 已经与 Google 内部多个产品打通：BigQuery ML 支持在企业级 SQL 查询中直接调用 TimesFM 进行规模化时序预测；Google Sheets 提供预测函数插件；Vertex AI Model Garden 提供容器化部署接口，支持 Agent 流程调用。这使得 TimesFM-3 能够无缝嵌入企业现有数据基础设施，无需重建数据管道。

七、多种部署方式

TimesFM-3 提供多种获取渠道：可通过 pip 直接安装 timesfm 包加载 PyTorch 版本；模型检查点托管于 Hugging Face；源码完全开源（Apache-2.0 许可）。用户可以根据自身计算环境（CPU、GPU、TPU 或 Apple Silicon）选择最优后端，并支持 LoRA 微调定制。

八、基准测试全面领先

在三大公开基准测试中，TimesFM-3 均位列第一：在 fev-bench 的 100 多个真实预测任务上取得总体排名第一；在 TIME Benchmark 的 50 个领域数据集和 98 个评估任务上排名第一；在 GIFT-Eval 的所有基础模型中排名第一。模型输出的第 10 至第 90 百分位预测区间便于进行不确定性量化，适用于零售需求规划、金融风险评估和运力容量优化等场景。

特色优势

顶尖基准表现：在三大公开时序预测基准上同时夺冠，代表了当前零样本时序预测的最高水平，模型能力经过系统性验证。

原生多变量支持：突破性实现多序列联合推理，无需特征工程或模型融合，直接处理复杂业务场景中的多维时序数据。

协变量无缝集成：内置过去/未来协变量支持，用户只需传入外部特征即可，无需为每个场景单独训练或微调模型。

零样本即刻部署：预训练覆盖万亿级时间点，通用性强，企业用户可以直接将模型用于自己的业务数据，无需任何标注数据或训练流程。

多平台生态集成：与 BigQuery、Sheets、Vertex AI 等 Google 云产品深度集成，降低企业接入门槛，支持规模化生产部署。

灵活的推理配置：支持自定义上下文长度（patch 长度 32）、预测范围和归一化策略，用户可以根据数据频率和业务需求调整预测粒度。

应用场景

零售销量预测

在零售行业，TimesFM-3 可以同时接入历史销量、促销活动日历、节假日安排、天气预报等多维数据，对多个品类或门店进行联合预测。相比单变量模型只能参考历史销量，TimesFM-3 能够主动将外部驱动因素纳入预测逻辑，输出的预测结果更贴近真实市场需求，支撑更精准的补货决策和库存优化。某大型连锁零售商的内部测试显示，使用 TimesFM-3 后预测误差较前代产品下降约 23%，有效减少了断货和积压损失。

金融风险与收益预测

在资产管理领域，TimesFM-3 可用于利率曲线预测、信用违约概率时序建模和多资产波动率联合预测。模型内置的 9 分位数预测输出为风险管理者提供了预测区间而非单一值，便于评估尾部风险和制定风险预算。对于量化交易团队，TimesFM-3 同样可以作为另类数据因子，辅助构建多资产联动的交易信号。

能源负荷调度

电网和能源公司可以利用 TimesFM-3 同时预测不同区域、不同类型的能源负荷（居民用电、工业用电、分布式光伏出力等），并接入天气预报、季节性因素和电价信号进行协变量建模，实现更精细的日前调度计划和实时调频辅助服务。多变量联合推理能力让模型可以自动捕捉不同区域负荷之间的相互影响，避免单点预测忽略整体约束的问题。

供应链与运力优化

在物流和供应链管理中，TimesFM-3 能够对仓储入库量、配送运输量和客服工单量等多个运营指标进行联合预测，并通过输入节假日、促销期等已知协变量提前感知需求波动。结合概率区间输出，供应链管理者可以构建更保守的安全库存策略，或在运力紧张期提前与承运商确认额外运能，实现供应链端到端的可视化和主动调控。

适用人群

数据科学家和机器学习工程师是 TimesFM-3 的核心用户群体。模型提供了 pip 安装包和完整的预训练检查点，数据科学家可以直接将 TimesFM-3 集成到现有的 Python 数据管道中，无需从零实现模型架构。对于需要快速验证业务假设的分析师，模型提供了开箱即用的零样本预测能力，降低了深度学习时序建模的技术门槛。

业务分析师和供应链经理可以使用 BigQuery ML 或 Vertex AI Model Garden 的无代码界面直接调用模型，将时序预测能力嵌入日常业务决策流程中，无需掌握模型训练的工程细节。

研究人员和学术机构可以利用 TimesFM-3 的开源代码和 Apache-2.0 许可（在 2.5 及之前版本）开展时序预测相关的学术研究，模型在基准测试中的领先表现为新方法的对比评估提供了可靠的基线。

出品方

TimesFM-3 由 Google Research 时序预测团队开发并开源，代码托管于 GitHub 仓库 google-research/timesfm，模型检查点托管于 Hugging Face。TimesFM 已被集成到 Google Cloud 的 BigQuery ML、Google Sheets 和 Vertex AI Model Garden 等多个企业级产品中，体现了 Google 在时序预测领域的研究积累与产品化能力。