谷歌发布TimesFM-3，零样本预测拓展至多变量场景
这款3.3亿参数模型无需针对任务微调，即可联合预测关联序列并利用促销、天气等外部变量。
同时预测相互关联的信号
谷歌研究院发布TimesFM-3，一款拥有3.3亿参数的时间序列基础模型。它可以在无需针对具体任务微调的情况下，联合预测多条相关序列，并把外部变量纳入计算。模型文件已通过GitHub和Hugging Face开放，不局限于谷歌自有服务。
此前的TimesFM版本会独立处理每条序列。TimesFM-3则原生面向多变量预测：它能够同时预测多个目标，使用只存在于历史记录中的协变量，也能利用已经知道未来取值的动态变量，例如促销计划、节假日和天气预报。谷歌使用真实与合成数据混合训练，语料规模超过一万亿个时间点。
这种变化对实际经营具有直接价值。零售销量同时受关联商品、促销和客流影响，能源需求随天气变化，工业设备的不同信号也往往相互作用。谷歌给出的示例显示，模型读取未来促销安排后，可以预判促销日约20%的销量增幅；只依赖历史销量的单变量模型无法获得这项信息。
谷歌称，TimesFM-3在GIFT-Eval、FEV-Bench和TIME三项公开基准中，无论点预测还是概率预测，平均排名均领先其他参评的预训练模型。对手包括Chronos-2、Toto 2.0和TimesFM-2.5。相关结果来自模型开发者，模型在企业自有数据上的表现仍可能不同。
为什么重要
时间序列预测不像聊天机器人那样显眼，却直接影响库存、排班、能源采购、产能规划和异常检测。一次前向计算即可处理多个目标和已知未来变量，补上了通用预测模型的重要短板，也可能减少企业为每项业务单独开发模型的工作量。
更大的机会来自经营决策，而非人机对话：一款紧凑且可复用的模型，可能让无力维护多套预测系统的组织获得更复杂的分析能力。它能否普及，取决于零样本优势在噪声多、分布持续变化的真实数据中还能保留多少。