Google AI Releases TimesFM-3: A 330M Parameter Zero-Shot Foundation Model For Multivariate Time Series Forecasting

發生了什麼

Google Research 推出 TimesFM-3，參數規模為 3.3 亿，定位為時序基礎模型。它把一次前向傳播中同時預測多條相關序列作為核心能力，這與此前 2.5 及更早版本僅能處理單條序列的做法形成了直接區別。模型在超過 1 萬亿個時間點組成的資料集上進行原生多變量預訓練，覆蓋真實與合成两類來源。

TimesFM-3 在零樣本設定下支援三種輸入形態，分別對應多目標預測、歷史協變量預測，以及歷史與未來協變量同時給定的預測場景，整個過程不需要為具體任務微調。骨干網络延續僅解碼器 Transformer 結構，連續時間點被切成每塊 32 步的 patch，每個序列單獨做归一化。

模型在 token 網格上交替使用两種注意力：横向為因果時間注意力，纵向為全變量注意力，讓 patch 之間既能沿時間方向因果推理，也能跨序列共享資訊。預訓練階段使用 Contiguous Patch Masking，在單次前向傳播中同時填充整個預測區間；推理時，每個目標在每個預測步輸出從第 10 至第 90 百分位的 9 個分位數，給出概率區間的點估計之外的分布資訊。

效果層面，TimesFM-3 在 GIFT-Eval、fev-bench 和 TIME leaderboard 三個公開基準上，對所有同類預訓練基礎模型取得點預測和概率指標的平均排名第一。其中 fev-bench 覆蓋 100 個真實任務，TIME leaderboard 覆蓋 50 個领域資料集下的 98 個評估任務，模型在這两個榜單均位列總榜第一。

程式碼與權重的授權條款並不一致。GitHub 倉庫的程式碼沿用 Apache-2.0 協議，但 TimesFM 3.0 權重採用 timesfm-non-commercial-license-v1.0，明確僅限非商業、非生產用途，需要商用授權的開發者可繼續使用 TimesFM 2.5 這一 Apache-2.0 選項。

時間線與證據

圍繞 TimesFM-3 的發布，公開材料汇集在同一天集中上線。文章本身的時間戳為 2026 年 8 月 31 日，與之配套的還包含 Google Research 部落格中關於架構與訓練的技術說明、TimesFM 3.0 的 PyTorch 權重檔案、GitHub 倉庫的對應更新，以及 PyPI 包發布說明，均按同一節點對外公開。

從模型演進的時間線看，TimesFM 系列自早期版本至 2.5 均只具備單變量預測能力，每一次發布都未把多變量預訓練作為原生目標。TimesFM-3 是該系列首次以原生方式做多變量預訓練的版本，並把輸入規模擴充到超過 1 萬亿個時間點，包含真實資料與合成資料两類來源。

基準對比方面，材料確認了 TimesFM-3 的相對名次，而非绝對指標。它在 GIFT-Eval、fev-bench 與 TIME leaderboard 三個基準上，對其他預訓練基礎模型取得點預測和概率指標的平均排名第一；具體到榜單層面，fev-bench 在 100 個真實任務上排名第一，TIME leaderboard 在 50 個领域資料集的 98 個評估任務上排名第一。文中未給出相對 Chronos-2、Toto 2.0、TiRex 等同類模型的差距數值，也未披露推理延遲或顯存占用等部署級指標。

授權條款方面，Google Research 已在 2026 年 8 月 31 日的發布材料中明確：GitHub 程式碼使用 Apache-2.0，TimesFM 3.0 權重使用 timesfm-non-commercial-license-v1.0，僅限非商業、非生產用途；需要商用的使用者可繼續採用仍為 Apache-2.0 的 TimesFM 2.5。TimesFM 3.0 權重同時托管在 Hugging Face 上，方便下載與複核。

具體變化

相對前代版本而言，TimesFM-3 的首要變化在於預訓練目標。2.5 及更早的版本只針對單條序列做訓練，TimesFM-3 首次以多變量預測為目標進行原生預訓練，訓練資料擴充到超過 1 萬亿個時間點，同時納入真實序列與合成序列。

輸入侧的變化體現在支援的零樣本場景。模型能夠處理多目標、歷史協變量、歷史與未來協變量三類輸入，無需針對具體任務微調，擴充了過去版本在零樣本條件下能夠直接預測的邊界條件。

骨干結構延續了僅解碼器 Transformer，連續時間點被切分為每塊 32 步的 patch，每個序列單獨完成归一化。變化集中在注意力組織方式上，在 token 網格上交替使用横向因果時間注意力和纵向全變量注意力，使同一前向傳播內既保持時間方向上的因果性，又允許跨序列的資訊交換。

預訓練任務也做了相應調整，採用 Contiguous Patch Masking，讓模型在單次前向傳播中同時填充整個預測區間。推理階段，每個目標在每個預測步輸出從第 10 至第 90 百分位的 9 個分位數，給出點估計之外的概率分布資訊，這是 2.5 等旧版本未直接覆蓋的輸出形態。

授權條款層面的調整同樣顯著。程式碼仍採用 Apache-2.0，但 TimesFM 3.0 權重改用 timesfm-non-commercial-license-v1.0，限制為非商業、非生產用途，需要商用的使用者只能繼續使用仍為 Apache-2.0 的 TimesFM 2.5。

對使用者的影響

對希望直接呼叫模型的開發者而言，TimesFM-3 把零樣本預測的能力邊界從單條序列擴充到三類輸入。多目標、歷史協變量、歷史與未來協變量這三種場景都可在不微調的前提下被處理，開發者無需為每個具體任務準備專門訓練流程，這改變了以往版本僅能在單變量條件下做零樣本預測的局限。概率輸出也同步增強，每個預測步可拿到第 10 至第 90 百分位的 9 個分位數，用於下游不確定性分析或風險控管。

對研究人員和工程團隊選型而言，三個公開基準的結果提供了横向參考。TimesFM-3 在 GIFT-Eval、fev-bench 與 TIME leaderboard 上對預訓練基礎模型取得點預測與概率指標的平均第一，其中 fev-bench 覆蓋 100 個真實任務，TIME leaderboard 覆蓋 50 個领域資料集下的 98 個評估任務。鑑於這些榜單覆蓋任務類型較廣，模型在多變量零樣本條件下的整體可用性較此前版本有提升。需要注意的是，材料未提供相對 Chronos-2、Toto 2.0、TiRex 的具體差距數值，也未披露推理延遲與顯存占用等部署級指標，選型時仍需結合自有資料複測。

對有商用需求的團隊而言，授權條款變化構成直接約束。TimesFM 3.0 權重採用 timesfm-non-commercial-license-v1.0，僅限非商業、非生產用途，GitHub 程式碼虽仍為 Apache-2.0，但權重與程式碼授權條款分离，意味着商用部署無法直接使用 3.0 權重。可行的替代路径是繼續使用仍保持 Apache-2.0 的 TimesFM 2.5，或向 Google Research 另行申請商用授權。下載管道方面，TimesFM 3.0 權重已托管在 Hugging Face，倉庫更新和 PyPI 包發布說明也已同步上線，方便試用與複核。

限制與未知

公開材料對 TimesFM-3 的描述集中在能力、架構與排名結果上，對若干關鍵细節尚未給出明確說明，構成目前可核驗範圍之外的不確定項。

首先是基準成绩的颗粒度受限。文章只確認了 TimesFM-3 在 GIFT-Eval、fev-bench 與 TIME leaderboard 三個基準上對預訓練基礎模型取得點預測與概率指標的平均排名第一，並給出 fev-bench 100 個真實任務與 TIME 50 個领域資料集、98 個評估任務的覆蓋範圍，但未列出相對 Chronos-2、Toto 2.0、TiRex 等對手模型的误差差值或胜場統計，也沒有披露在每個資料集上的逐項得分，複現或比較時缺少可直接對照的數值依據。

其次是部署層面的指標空白。材料覆蓋了參數規模、訓練資料體量與注意力機制，但對推理延遲、單次預測的顯存占用、吞吐能力等工程指標未做說明。這部分內容對於把模型串接線上服務或資源受限環境的團隊尤為關鍵，目前只能依據 3.3 亿參數規模與 Transformer 結構做粗略估算。

第三是訓練细節的若干缺省。預訓練資料被描述為超過 1 萬亿個時間點，包含真實與合成两類來源，但两者各自占比未公開。Contiguous Patch Masking 作為新增預訓練任務被提及，但其掩碼占位 token 相對於歷史長度的具體比例、訓練時的 patch 採樣策略等细節也未在文中展開，限制了外部對訓練流程的複刻程度。

第四是路線圖資訊缺失。發布材料未提及 Google Research 對 TimesFM 系列的後續規劃，包含是否會推出對 3.0 權重的商用授權安排、是否會在多變量路線上繼續擴充輸入類型等，目前僅有程式碼與權重授權條款分离這一既定事實。

最後是發布資訊的內部不一致。文章時間戳標註為 2026 年 8 月 31 日，同時權重授權條款版本號為 v1.0，發布日期與授權條款編號的命名規則與既有公開惯例存在偏差，讀者在引用版本號或時間欄位時需結合原始頁面另行核對。

如何核對

圍繞 TimesFM-3 的關鍵事實，核對工作應優先回到 Google Research 在 2026 年 8 月 31 日同步發布的一手材料，分別從模型定義、預訓練目標、架構變化、基準成绩、授權條款條款五個維度逐一對照。

模型定義與參數規模方面，可在 Google Research 部落格原文與 Hugging Face 上的 TimesFM 3.0 模型卡中核對 3.3 亿參數、單次前向傳播內可對多條相關序列進行預測的表述，確認與轉載稿件中的描述一致。預訓練目標是否真正屬於原生多變量，需要回到技術說明中關於 2.5 及更早版本僅做單變量訓練的措辞，核實 TimesFM-3 首次把多變量預測作為原生目標的表述。

架構層面的细節可以對照部落格原文，確認僅解碼器 Transformer、每塊 32 步的 patch 切分、按序列單獨归一化，以及 token 網格上交替使用横向因果時間注意力與纵向全變量注意力這些具體寫法。Contiguous Patch Masking 的存在同樣應回到原文，確認其單次前向傳播內同時填充整個預測區間的描述，以及推理階段每個目標在每個預測步輸出第 10 至第 90 百分位 9 個分位數的說明。

基準成绩核對應在 GIFT-Eval、fev-bench 與 TIME leaderboard 各自官方頁面交叉完成，確認 TimesFM-3 在預訓練基礎模型中點預測與概率指標的平均排名第一，fev-bench 在 100 個真實任務上排名第一，TIME leaderboard 在 50 個领域資料集、98 個評估任務上排名第一。關於相對 Chronos-2、Toto 2.0、TiRex 的差距數值，需注意材料並未提供，逐項複測要回到各自評測脚本。

授權條款條款的核對要分两條線：一是 GitHub 倉庫 LICENSE 檔案，確認程式碼沿用 Apache-2.0；二是 Hugging Face 模型卡與倉庫內的 LICENSE 檔案，確認 TimesFM 3.0 權重採用 timesfm-non-commercial-license-v1.0，並明確其僅限非商業、非生產用途的表述；同時核對 TimesFM 2.5 仍為可商用 Apache-2.0 選項的說明。

讀者能做什麼

拿到 TimesFM-3 之後，能直接落地的工作流程大致分三條線。第一條是零樣本預測。在不針對具體任務微調的前提下，開發者可以把多條相關序列一併送入模型，分別覆蓋多目標、歷史協變量、歷史與未來協變量三種輸入形態，省去為每個場景單獨準備訓練流程的環節。概率輸出同步可用，每個目標在每個預測步拿到第 10 至第 90 百分位的 9 個分位數，下游做區間估計或風險阈值設定時可直接呼叫。

第二條是横向評測與複測。Google Research 同步上線了模型權重、GitHub 倉庫更新與 PyPI 包發布說明，Hugging Face 上可下載 TimesFM 3.0 權重，試用門檻較低。基準覆蓋範圍較廣，fev-bench 涵蓋 100 個真實任務，TIME leaderboard 覆蓋 50 個领域資料集下的 98 個評估任務，研究人員可在自有資料上沿用同一介面做横向比對。需要留意的是，相對 Chronos-2、Toto 2.0、TiRex 的具體差距數值並未公開，推理延遲與顯存占用也沒有披露，複測時要自行紀錄這些指標。

第三條是商用合規判斷。TimesFM 3.0 權重採用 timesfm-non-commercial-license-v1.0，僅限非商業、非生產用途；GitHub 程式碼仍為 Apache-2.0，但程式碼與權重授權條款分离，因此商用部署無法直接使用 3.0 權重。可行的替代路径是繼續沿用仍保持 Apache-2.0 的 TimesFM 2.5，或就 3.0 權重的商用授權另行聯絡 Google Research。

後續觀察

從一線從業者的視角看，TimesFM-3 的開放方式把試用和商用切成两條獨立的路径，試用一方阻力很小，商用一方阻力很大。Hugging Face 上的 3.0 權重、GitHub 倉庫的更新、PyPI 包的發布說明同步上線，研究人員和工程師可在不申請授權的前提下直接拉取模型做零樣本預測與横向評測，這對學術複現和內部選型都很友好。

多變量預測首次作為原生預訓練目標，是此次版本相對 2.5 及更早單變量模型最大的能力增量。三類輸入形態——多目標、歷史協變量、歷史與未來協變量——被寫進同一模型權重，省去了為每類場景單獨訓練或微調的環節。在 GIFT-Eval、fev-bench、TIME leaderboard 上對預訓練基礎模型取得點預測與概率指標的平均排名第一，且覆蓋任務數量較多，整體可用性較此前版本確有提升。

但商用團隊需要格外留意授權條款結構。TimesFM 3.0 權重採用 timesfm-non-commercial-license-v1.0，明確僅限非商業、非生產用途，GitHub 程式碼虽仍為 Apache-2.0，但程式碼與權重授權條款分离，商用部署無法直接套用 3.0 權重。TimesFM 2.5 仍保持 Apache-2.0，可作為繼續可用的商用選項；要使用 3.0 權重進入生產環境，需要向 Google Research 另行申請商用授權。

另外几項公開材料未覆蓋的內容也值得在選型前列入清單：相對 Chronos-2、Toto 2.0、TiRex 的具體差距數值未給出，推理延遲、顯存占用、吞吐能力等部署級指標同樣未披露，預訓練資料中真實與合成來源的占比未公開，Contiguous Patch Masking 的掩碼比例與 patch 採樣策略也未展開。這些缺項會影響對模型工程成本的估算，建議在自有資料上跑一轮複測再下結論。