谷歌发布TimesFM-3：3.3亿参数零样本多变量时序预测基础模型

原生多变量架构突破

TimesFM-3是谷歌Research推出的第三代时序基础模型，参数量为3.3亿，核心突破在于首次实现对多变量时序预测的原生（natively）支持。此前所有TimesFM版本（至2.5）均为单变量设计——仅基于单一序列自身历史进行预测。而现实场景（如冰激凌销量预测）往往涉及销售数据、客流量、天气、促销日历、节假日等多源关联信号。TimesFM-3直接在超大规模数据上预训练：覆盖超1万亿真实与合成时间点，输入支持三类零样本（zero-shot）信号——多个目标序列联合预测、仅历史已知的协变量（如过往客流量）、以及未来值已知的协变量（如预先排期的促销活动日历），全程无需任务特定微调。

双重注意力机制与分块建模

模型主干沿用解码器-only Transformer架构。其关键创新在于输入表征与注意力设计：连续时间点被划分为每块32步的‘时间片’（patches），并按序列独立归一化，以消除量纲差异干扰；目标与历史协变量token来自同一时间片，而未来协变量则采用‘前瞻拼接’技巧——将当前块与后续若干块拼接，使模型在时间步发生前即感知已知未来事件。Token随后映射为2D网格，经由两类交替注意力层处理：因果时间注意力（水平方向）严格遵循时序因果性，仅允许访问同序列内更早token；全变量注意力（垂直方向）则在每个时间步让某序列token读取所有其他序列在同一时刻的值，从而无监督地学习跨序列相关性。

单次前向生成完整预测区间

为提升效率与鲁棒性，TimesFM-3摒弃早期逐块自回归解码方式，转而采用‘连续时间片掩码’（Contiguous Patch Masking）策略——在训练时，为整个预测区间统一添加掩码占位符；目标值与历史协变量在此区间被掩码，而已知的未来协变量保持可见。通过交替注意力层协同作用，模型在单次前向传播中即可同步填充全部掩码位置，输出每个时间步的9个分位数（10%至90%），兼顾点预测与概率预测能力。

权威基准全面领先，但商用受限

谷歌在GIFT-Eval、fev-bench及TIME三大公开时序评测基准上对比Chronos-2、Toto 2.0系列及TimesFM-2.5。结果显示：TimesFM-3在全部三个榜单的点预测与概率预测指标平均排名中，均位居所有预训练基础模型首位。具体而言，其在fev-bench的100个真实世界任务中综合排名第一；在TIME涵盖50个领域数据集、98项评估任务中整体排名第一；在GIFT-Eval中亦为预训练模型类别第一。然而，TimesFM-3模型权重采用‘timesfm-non-commercial-license-v1.0’授权，明确限制仅可用于非商业、非生产环境；若需商用部署，TimesFM-2.5（Apache-2.0许可）仍是当前唯一合规选项。