# Google Research 發布 TimesFM-3：單次預測多條時間序列並支援已知未來訊號

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Google Research (@GoogleResearch) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥🔥 · 日期：2026-09-01

> 原始來源：https://x.com/GoogleResearch/status/2094483372718580066

## 證據與延伸閱讀

- [Google Research 發布 TimesFM-3：單次預測多條時間序列並支援已知未來訊號。](https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting) — 官方文件 · 最後核對：2026-09-01 · 支持主張：The source describes the move beyond TimesFM-2.5's univariate focus, 2D temporal-variate attention, contiguous patch masking, 330M-parameter pretraining, nine quantiles, and benchmark rank claims; the repository snapshot also records the PyTorch checkpoint and a non-commercial, non-production license for default 3.0 weights.
- [Google TimesFM-3 time-series foundation model — github.com](https://github.com/google-research/timesfm) — 官方 Repository · 最後核對：2026-09-01 · 支持主張：The source describes the move beyond TimesFM-2.5's univariate focus, 2D temporal-variate attention, contiguous patch masking, 330M-parameter pretraining, nine quantiles, and benchmark rank claims; the repository snapshot also records the PyTorch checkpoint and a non-commercial, non-production license for default 3.0 weights.
- [Google TimesFM-3 time-series foundation model — @the_JashThakkar](https://x.com/the_JashThakkar/status/2094522497471598863) — 一手來源 · 最後核對：2026-09-01 · 支持主張：The source describes the move beyond TimesFM-2.5's univariate focus, 2D temporal-variate attention, contiguous patch masking, 330M-parameter pretraining, nine quantiles, and benchmark rank claims; the repository snapshot also records the PyTorch checkpoint and a non-commercial, non-production license for default 3.0 weights.
- [Google TimesFM-3 time-series foundation model — blog.jasht.in](https://blog.jasht.in/timesfm-3) — 一手來源 · 最後核對：2026-09-01 · 支持主張：The source describes the move beyond TimesFM-2.5's univariate focus, 2D temporal-variate attention, contiguous patch masking, 330M-parameter pretraining, nine quantiles, and benchmark rank claims; the repository snapshot also records the PyTorch checkpoint and a non-commercial, non-production license for default 3.0 weights.
- [Google Research於2026年8月31日發布TimesFM-3](https://x.com/GoogleResearch/status/2094483372718580066)

## 中文摘要

Google Research 發布 TimesFM-3：單次預測多條時間序列並支援已知未來訊號。

**發布與定位** Google Research 於 **2026 年 8 月 31 日**發布 TimesFM-3，官方 X 貼文則顯示於 **2026 年 9 月 1 日 1:52 AM** 發布。作者包括 Research Scientists **Ayush Jain** 與 **Rajat Sen**，以及 **Yichen Zhou、Petros Mol、Abhimanyu Das、Samet Oymak**。官方將它定位為具 state-of-the-art 表現的 multivariate time-series foundation model，主張模型能在單次 forward pass 中完成預測，並在主要 benchmark 上優於 other forecasting models。相關來源包括 [Google Research blog](https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting)、[Google Research 官方 X 貼文](https://x.com/GoogleResearch/status/2094483372718580066) 與 官方 announcement。

自 TimesFM 於 **2024 年**推出後，系列模型已被用於 零售、金融、可觀測性、製造、醫療與自然科學。不過，直到 **2025 年 9 月發布的 TimesFM-2.5**，主要模型都嚴格限制為 univariate forecasting，只根據單條序列的歷史值預測未來；TimesFM-3 的核心轉變，則是同時建模多條會共同變化的序列與外部訊號。

**多變量輸入** TimesFM-3 不需要 task-specific fine-tuning，就能共同預測多個 target。模型原生支援：

- **multiple targets**：同步預測多條相關 time series，並為每個 target 提供 point forecast 與 quantile forecast。
- **past covariates**：只在歷史期間已知的特徵，例如過去的 customer foot traffic。
- **past-future／dynamic covariates**：預測期間也已知的訊號，例如已排定促銷、假日日曆或天氣預報。

因此，若促銷排程已經確定，模型可以把它納入預測，而不是只從歷史銷售模式推測未來。這項 future awareness 的前提是未來訊號確實已知，不能延伸解讀成模型能取得所有未知的未來因素。

**架構與推理** TimesFM-3 採 decoder-only transformer，將連續資料切成每個 **32 time steps** 的 patches，並以 **2D temporal-variate grid** 組織資料。Transformer stack 交替使用兩種 attention：

- temporal attention 沿著同一條 time series 查看過去 token，學習季節性、趨勢與延遲結構，也避免 data leakage。
- variate attention 在相同時間步比較不同序列，學習促銷對銷售、溫度對需求等跨序列關聯。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/8a485308e09e1e3d.jpg)
> TimesFM-3 透過交替時間與變數注意力機制（alternating temporal + variate attention）協同處理目標序列 T1、T2 與協變量 P1、F1，並輸出最終預測目標。

模型有 **330 million parameters**，以超過 **1 trillion time points** 的 real-world 與 synthetic time-series corpus 預訓練。相較前代逐個 patch、自回歸地產生預測，TimesFM-3 使用 **Contiguous Patch Masking**：它把 forecast horizon 的 placeholder tokens 與 observed context 一起送入模型，再於單次 forward pass 同時填滿所有 masked patches。這不需要 iterative loop，並可避免早期預測誤差一路傳遞到後續步驟；其中 target 與 past-covariate 的未來值會被遮蔽，而已知的 past-future covariate 則維持可見。

TimesFM-3 也能輸出完整的機率範圍，而不只是單一答案：

- 提供 **9 個 quantiles**：第 **10th、20th、30th、40th、50th、60th、70th、80th、90th percentile**。
- 可用於觀察安全庫存、產能規劃與營運風險評估的風險範圍。
- 若使用者只採 univariate mode，模型不會使用 covariate 或 cross-series information，而是逐條獨立處理 targets。

**評測與示例** Google Research 在 **Gift-Eval、FEV-Bench、Time** 三個公開 benchmark 評估 TimesFM-3，並宣稱它在三者的 point 與 probabilistic forecasting metrics 中，都是 pre-trained foundation models 的 top-ranked model；比較對象包括 **Chronos-2、Toto 2.0 family** 與 **TimesFM-2.5**，且 average rank 是 lower is better。README 另宣稱模型在 `fev-bench` 的 **100 個 diverse real-world forecasting tasks** 中 overall Rank #1，並在 TIME Benchmark 的 **50 個 domain datasets、98 個 evaluation tasks** 中 overall Rank #1。

這些排名是 Google／repository 所報告的結果，來源沒有提供 independent replication。**Jash Thakkar** 於 **2026 年 8 月 28 日**發表獨立 implementation report，以 Google Colab 和 **300-day** synthetic retail dataset 比較單變量（univariate）、多變量（multivariate）與未來協變量設定；他認為 TimesFM-3 相較 predecessors 表現 comparatively better，但該報告不是 standardized benchmark 的 independent replication，完整 protocol 也未在來源中建立。相關文章為 [TimesFM-3 article](https://blog.jasht.in/timesfm-3) 與 [原始 X 貼文](https://x.com/the_JashThakkar/status/2094522497471598863)。

官方冰淇淋銷售示例指出，加入 planned promotion schedule 後，模型預期每個促銷日約有 **20% sales bump**；這是 Google 的 illustration／報告結果，不能視為已獨立驗證，也不能推論所有促銷情境都會有相同增幅。

**實驗設計** Jash Thakkar 的測試建立一個由四條共同變化訊號組成的 retail environment：

- `Sales` 是 target，受 `traffic`、`temperature`、`promotions` 與 stochastic noise 驅動。
- Customer Foot Traffic 具有 weekly cyclic seasonality，並包含 seasonal shifts。
- Temperature 以 annual sinusoidal wave 表示，並為提高 variance 而以 **20** 放大。
- Promotions 以重複的 rectangular pulses 表示已排定的 discount campaigns，因此 future covariate 在這項測試中是已知的 operational schedule，而不是隨機或未知事件。

資料共有 **300 天** daily observations，前 **270 天（Day 1 至 Day 270）**作為 context window，後 **30 天（Day 271 至 Day 300）**作為 withheld forecast horizon。inference 時模型拿不到最後 30 天的 `sales`，先產生預測，再與實際 held-out sales trajectory 比較。Experiment 1 只輸入 historical sales，以 univariate mode 運作；Experiment 2 聯合輸入 `sales`、`traffic`、`temperature` 與 `promotion` channels，以 multivariate mode 運作。Figure 2 比較兩種結果，但原始圖說在「comparing univariate and mul」處截斷。

**開放版本與限制** TimesFM 3.0 的 source code 與 checkpoint 已公開，repository 為 [TimesFM repository](https://github.com/google-research/timesfm)。其中包含 `google/timesfm-3.0-pytorch` checkpoint，也可在 Hugging Face 使用；但 open version 不是 officially supported Google product。預設 TimesFM **3.0** pretrained weights 另採 `timesfm-non-commercial-license-v1.0`，限制為**非商業、非 production 使用**（`non-commercial, non-production use`），禁止商業或 production 使用。source code 與 **TimesFM-2.5** 以前的 weights 仍採 Apache-2.0；實際 licensing 與 rollout terms 可能變更，部署前仍需重新審查。

TimesFM-3 已可在 GitHub 與 Hugging Face 使用，但 **BigQuery integration** 預計在 coming weeks 才會 landing，並非發布當下已完成。在等待期間，使用者可立即以 TimesFM-2.5 試用 univariate tasks，熟悉 BigQuery 的 `AI.FORECAST` command，且不需要 ML expertise。

**版本演進與操作** TimesFM-2.5 於 **2025 年 9 月 15 日**發布，具 **200M parameters**、最多 **16k context length**，並可透過 optional **30M quantile head** 支援最高 **1k horizon** 的 continuous quantile forecast；相較 TimesFM-2.0 的 **500M parameters** 與 **2048 context length**，它改以較小 backbone 強化效率與 zero-shot univariate accuracy。後續更新包括 **2025 年 10 月 29 日**恢復 XReg covariate support、**2026 年 3 月 19 日**加入 AGENTS support 與發布 `SKILL.md`、**2026 年 4 月 9 日**加入 LoRA 範例，以及 Flax version、HuggingFace Transformers + PEFT（LoRA）fine-tuning 範例、文件、範例與單元測試。相關路徑包括 `timesfm-forecasting/`、`timesfm-forecasting/examples/finetuning/`、`tests/`；舊版 1.0、2.0 程式碼封存於 `v1`，可用 `pip install timesfm==1.3.0` 載入。**2026 年 7 月 2 日** PyPI 更新為 `timesfm=2.0.2`。

安裝 TimesFM 的 README 步驟如下：

```bash
pip install timesfm[torch]
git clone https://github.com/google-research/timesfm.git
cd timesfm
uv venv
source .venv/bin/activate
uv pip install -e .[torch]
```

README 的 3.0 PyTorch 範例使用 checkpoint `google/timesfm-3.0-pytorch` 與 `device="cuda"`。univariate 範例的輸入長度為 **100**、`horizon=12`，輸出 point forecast shape 為 `(12,)`、9 quantiles shape 為 `(12, 9)`；multivariate 範例含 **3 個 target variates**、`context_len=128`、`horizon=24`，並使用 1 個 `(1,128)` past-only covariate 與 2 個 `(2,152)` past-and-future covariates，輸出 shape 分別為 `(3,24)` 與 `(3,24,9)`。

整體而言，TimesFM-3 把 TimesFM 從以單條序列為主的 zero-shot forecasting，推進到能利用多條序列、已知未來事件與一次解碼完整 horizon 的 multivariate foundation model；但 benchmark 排名仍主要是 Google 的報告，且預設 3.0 weights 的非商業、非 production 授權，是實際採用前不可忽略的條件。

## 標籤

新產品, TimesFM-3, Google, Google Research