谷歌发布 TimesFM-3：首个原生多变量时序大模型，零样本预测登顶多项基准

【新闻原文】 8 月 31 日，Google Research 发布 TimesFM-3，一款 3.3 亿参数的时间序列基础模型。与以往 TimesFM 版本最多只能处理单变量时间序列不同，TimesFM-3 是首个原生面向多变量预测预训练的基础模型，能够在零样本（zero-shot）条件下同时处理多个相关时间序列以及历史协变量、已知未来协变量，无需针对特定任务微调。该模型基于超过 1 万亿个真实与合成时间点进行预训练，采用解码器-only Transformer 架构，把时间序列切分为 32 步的 patch 作为 token，并通过两种交替注意力机制——因果时间注意力（Causal Temporal Attention）和全变量注意力（Full Variate Attention）——分别捕捉时间维度和变量间依赖关系。 TimesFM-3 还支持 Contiguous Patch Masking，一次性生成整个预测区间的输出，而非像前代那样逐 patch 自回归解码，从而降低延迟并减少长周期预测中的误差累积。模型输出包括点预测和 9 个分位数（10% 至 90%）的概率预测。在 GIFT-Eval、fev-bench 和 TIME 等主流时间序列基准测试中，TimesFM-3 在点预测和概率校准指标上均排名第一，超越了 Chronos-2、Toto 2.0 家族以及前代 TimesFM-2.5。不过，虽然模型代码以 Apache-2.0 协议开源，但预训练权重目前采用非商业、非生产使用的 timesfm-non-commercial-license-v1.0 许可。 【企服观察】 谷歌 TimesFM-3 的发布，标志着大模型开始真正进军企业运营中最普遍、最值钱但也最被忽视的数据类型之一——时间序列。对 IT 企服行业来说，这件事的意义不亚于 GPT 系列对自然语言处理的冲击。 第一，多变量时序预测是企业 AI 落地的高价值场景。企业的销售预测、库存补货、现金流预测、设备故障预警、电力负荷调度、供应链风险预警，本质上都是多变量时序问题。过去，这些场景依赖统计模型（ARIMA、Prophet）或专门的机器学习方案，每个场景都要单独建模、调参、维护。TimesFM-3 提出了一种可能：用一个预训练基础模型，零样本地处理多个相关变量，一次性给出点预测和概率区间。如果这条路走通，企业将可以大幅降低预测类 AI 应用的开发和维护成本。 第二，"零样本+多变量"的组合，对中长尾场景特别友好。大型企业的高频 SKU、多门店、多产线、多设备场景，数据分布复杂，传统方法需要为每个细分场景单独训练模型，工程维护成本极高。TimesFM-3 这类基础模型提供了"一个模型覆盖多个场景"的可能性，尤其适合零售企业做千店千面的需求预测、制造企业做多设备故障预警、金融机构做多维风险指标预测。中国拥有全球最丰富的制造业和零售数据，这类模型在中国的垂直行业落地潜力巨大。 第三，But——许可协议是最大障碍。TimesFM-3 的代码开源，但权重禁止商业/生产使用。这意味着企业不能直接把官方权重用于自己的 SaaS 产品或内部生产系统。这与 TimesFM-2.5 的 Apache-2.0 形成鲜明对比。谷歌的意图很明显：用开源代码和论文建立影响力，用受限制的权重保护商业利益，同时通过 Google Cloud（如 BigQuery 的 AI.FORECAST）提供商业化 API。这与 OpenAI、Anthropic 的"闭源 API"模式殊途同归。对中国企服厂商来说，直接使用官方权重有合规风险，需要谨慎评估。 第四，TimesFM-3 的出现会加速国内企业自主研发或适配时序大模型。阿里云的时序智能、百度的工业时序模型、华为的时序预测服务、第四范式等厂商都有相关布局。海外模型的领先会形成一种"标杆压力"，推动国内企业加快产品化。同时，TimesFM-3 的论文和代码也为学术研究和小规模试验提供了参考。对中国企业来说，最务实的路径是：用 TimesFM-3 做效果验证和概念验证，再用国产模型或自研方案做生产部署。 第五，从采购视角看，时序预测模型的选型标准正在被重新定义。过去企业主要关注准确率（MAPE、RMSE），现在需要同时考虑：是否支持多变量输入、是否支持已知未来协变量（如促销日历、节假日）、是否能输出概率预测、推理延迟是否满足实时决策需求、是否支持增量更新、模型许可是否允许生产使用、与现有数据仓库/BI 系统的集成成本。这些维度将构成新一代"预测智能"产品的 RFP 模板。 最后，TimesFM-3 提醒我们，大模型的疆域正在从语言、图像、代码扩展到结构化数据和企业运营数据。时间序列是企业的"血液数据"——每一笔交易、每一次点击、每一台设备的运行状态，都以时间为轴沉淀下来。谁能把这些数据用好，谁就能在企业智能化竞赛中占据制高点。中国 IT 企服行业的下一个大机会，可能不在聊天机器人，而在"企业运营预测智能体"——能够读懂企业时间序列数据、自动发现异常、预测趋势、给出决策建议的 AI 系统。