TimesFM

product · 首次出现 2026-06-15 · 最近出现 2026-11-11 · 累计提及 20

综述

TimesFM 是谷歌研究院推出的时间序列预测基础模型,能够像大语言模型处理文本那样,通过大规模预训练对销售数据、天气、需求曲线等时间序列做零样本预测,是时序基础模型方向的代表性工作之一。

TimesFM 的近期进展

  • Google发布TimesFM-3时间序列预测模型:谷歌于 2026 年 8 月 31 日发布 TimesFM-3,参数量为 330M,支持多变量时间序列的零样本预测,是该系列目前的最新版本。
  • Mistral 发布 Timestral 时序预测模型,209M 参数超越 Google TimesFM-3:Mistral 在 2026 年 10 月 18 日推出 209M 参数的 Timestral,报道称其性能超越了 TimesFM-3,标志着时序基础模型赛道开始出现有分量的竞争者。
  • TimesFM 2.5端到端时序预测教程:回测、协变量与异常检测:围绕 TimesFM 2.5 的实战教程覆盖了回测、协变量融合、异常检测与 Colab 部署,反映出社区在零样本预测之外,开始关注工程化的完整工作流。
  • FACTS-MAS:多智能体架构用于异构证据的自适应预测:学术研究开始探索将多智能体架构引入预测任务,结合异构证据做自适应推断,这是时序预测与 LLM 生态结合的新尝试。
  • 当前焦点与观察点

    TimesFM 的核心卖点是零样本能力——无需针对每个场景单独训练,直接对新业务的时间序列给出预测,这显著降低了预测系统的搭建成本,也是它被零售、金融、运营等场景快速试用的原因。新一代 TimesFM-3 加入多变量支持后,适用面进一步扩大。

    竞争格局正在发生变化。Mistral 以更小的参数量(209M 对 330M)宣称实现反超,说明时序基础模型未必遵循"越大越好"的规律,架构和数据质量可能比规模更关键。这也让闭源模型与开源模型、通用大厂与垂直玩家之间的差距变得更难判断。

    值得关注的争议点在于:零样本预测在企业级场景中的可靠性边界。有研究(时间序列模型预训练熟悉度研究)开始审视预训练数据与真实数据分布之间的匹配问题;同时,企业中大量预测任务实际跑在表格数据上,"零样本"思路能否从时间序列扩展到表格领域,是社区讨论的另一条主线。对打算采用 TimesFM 的团队来说,与其关注榜单分数,不如在自己的数据上做严格的回测对比——这也是当前各类教程与实践文章强调的重点。

    相关报道

    10 条在档