TimesFM 3.0：把时序预测从”单变量”推进到”多变量 + 协变量”

2026 年 8 月 31 日，Google Research 发布 TimesFM 3.0，这是其时序预测基础模型（Time Series Foundation Model）系列的第三代。与前几代”一次预测一条序列”不同，TimesFM 3.0 首次原生支持多变量（multivariate）预测：在单次前向传播里同时预测多条相互关联的序列，并允许模型把”历史才知道”和”未来提前知道”的协变量纳入考量。权重已在 Hugging Face 开放（google/timesfm-3.0-pytorch），代码在 google-research/timesfm 仓库。

一、出发点：单变量模型够不着真实业务

过去的 TimesFM（1.0/2.0/2.5）以及同期的许多时序基础模型，本质上都是单变量的：给一条序列自己的历史，预测它的未来。但真实的运营决策几乎从不只看一个数字——预测冰淇淋销量时，你手里同时有历史客流、未来天气预报、以及排期好的促销日历。

TimesFM 3.0 的核心变化就是结构层面的：它在预训练阶段就按”多变量 + 协变量”来学，而不是事后拼接。官方称其为零样本（zero-shot）模型——无需针对你的任务做微调，直接喂数据出预测。

二、技术机制：一次前向输出整条 horizon

根据 Hugging Face 模型卡与 GitHub 文档，TimesFM 3.0 的关键设计如下：

• 架构：Stacked Mixing Transformer，含 Variate Attention（变量间注意力）与 CPM Iterative RevIN；
• 参数规模：约 330M（0.3B）；
• 结构：20 层 Transformer，模型维度 1280，16 个注意力头；
• 分块（patching）：上下文 patch 长度 32，预测 horizon patch 长度 64；
• 输出：一次性输出完整预测区间，并给出 9 个分位数（中位数在第 4 位）；
• 上下文窗口：最长约 15,360 个时间点，超长会截断到最近的部分。

图中可以看到三类被平等建模的序列：蓝色是目标序列 T1/T2，紫色是只在过去已知的协变量 P1（如历史客流），绿色是过去和未来都已知的协变量 F1（如未来促销日历、天气预报）。模型在层内交替进行时间维注意力与变量维注意力，让相关序列互相提供信息。

预训练数据方面，模型卡说明其使用了 GIFT-Eval 预训练集（剔除与 fev-bench 重叠的部分）、截至 2023 年 11 月的 Wikipedia 页面浏览量、截至 2022 年底的 Google Trends 热门查询，以及合成与增强数据。多方报道称预训练覆盖超过 1 万亿个时间点。

三、关键数据与基准

官方在 README 中给出的基准名次如下：

工程侧，它还提供了 MLX 原生后端，可在 Apple 芯片上不依赖 PyTorch 运行。官方给出的实测（330M 模型、Apple M4 Max、上下文 512、horizon 64、fp32）：

接入方式很简单：pip install timesfm[torch]（或 [mlx]），加载 google/timesfm-3.0-pytorch 即可。它也已进入 Google 自家产品：BigQuery ML、Google Sheets、Vertex Model Garden。模型卡在 HF 上月下载量约百万级。

四、必须知道的限制：权重不是 Apache

这是本次发布最容易被忽略、却最影响商业使用的一点：

• 代码：仓库源码采用 Apache-2.0；
• ≤2.5 的权重：仍为 Apache-2.0；
• TimesFM 3.0 权重：单独采用 timesfm-non-commercial-license-v1.0，仅限非商业、非生产环境使用，默认预训练权重不得用于商业或生产。

也就是说，你可以免费研究、实验、做非商用 PoC，但要在生产里跑 3.0 权重，需要另行与 Google 沟通授权。这与”代码开源”是两回事，选型时务必区分。

此外，官方的”三项基准第一”均为自报名次；已有第三方独立实测反馈：零样本预测能力站得住，但协变量等新特性在其自选数据上的实际收益并不稳定。零样本基础模型的泛化边界，仍需在自己的业务数据上验证。

五、客观评价

优势：

1. 真正原生多变量：把相关序列与已知未来事件一起建模，更贴近零售、运维、金融等真实负载；
2. 零样本、免微调：330M 小模型即可开箱预测，省去为每条业务线搭传统统计模型/梯度提升树的工程；
3. 一次前向出全区间：避免了自回归逐步预测的误差累积与推理开销；
4. 多后端：PyTorch 与 Apple MLX 都支持，本地推理门槛低。

边界：

1. 权重非商用许可是硬门槛；
2. 基准为官方自报，协变量收益有待独立复现；
3. 超长/强季节性/突变事件仍可能超出零样本能力，复杂场景大概率仍需微调。

六、它适合谁

• 零售/供应链/运维：需要联合预测多条相关指标、且手头有排期促销、天气等”未来已知”信息的团队；
• 数据平台与 BI：想给产品加一个”开箱即用”的预测能力，而非为每个指标手工建模；
• 研究者：一个小而开放、可复现的多变量时序基础模型样本。

参考来源

• google-research/timesfm GitHub 仓库
• google/timesfm-3.0-pytorch Hugging Face 模型卡
• Koala 聊开源 科技周报：TimesFM 3.0