谷歌发布 TimesFM-3，支持原生多变量预测

谷歌于 2026 年 9 月 1 日发布了 TimesFM-3，这是一款拥有 3.3 亿参数的时间序列基础模型，引入了原生多变量预测能力。该模型解决了其前身 TimesFM-2.5 的局限性，后者只能使用各时间序列自身的历史值进行单变量预测。TimesFM-3 无需针对特定任务进行微调，即可在单次前向传递中同时预测多个相互关联的时间序列，并基于包含超过 1 万亿个时间点的真实世界与合成数据语料库进行预训练。该版本通过支持多个目标变量的联合预测，以及整合历史观测协变量和未来已知的动态输入，代表了时间序列预测架构的一次进步。

TimesFM-3 引入交替注意力机制以捕捉跨序列相关性

TimesFM-2.5 于 2025 年 9 月发布，严格来说是单变量模型，仅使用各序列自身的历史值进行预测。TimesFM-3 解决了这一实际需求：大多数实际预测都依赖于多个共同变化的信号。该架构支持多个目标变量的联合预测，整合历史观测协变量（例如过去的客流量），并利用未来已知的动态输入，包括促销日程和天气预报。

该模型保留了仅解码器 Transformer 主干网络，并以连续 32 个时间步组成的数据块进行处理，同时执行逐序列归一化。其核心创新是一种在二维 token 网格上运行的交替注意力机制：因果时间注意力确保每个 token 只能访问其所属序列中的历史数据，以防止信息泄露；而跨变量注意力则能够在每个时间步学习跨序列相关性。

对于未来已知协变量，系统会将当前数据块和即将到来的数据块连接成前瞻 token。通过连续数据块掩码实现向非自回归推理的转变，可同时生成整个预测范围，从而消除早期版本逐数据块生成所带来的延迟和误差累积问题。

TimesFM-3 在三项公开基准测试中达到业界领先水平

谷歌在三项全面的公开基准测试——Gift-Eval、FEV-Bench 和 Time——上评估了 TimesFM-3。在所有预训练基础模型中，该模型在点预测和概率预测指标上均达到业界领先水平。参与比较的模型包括 Chronos-2 和 Toto 2.0 系列等支持多变量预测的竞争模型，以及此前的 TimesFM-2.5。

即使限制在不使用跨序列或协变量信息的单变量模式下，TimesFM-3 也达到了或超过了竞争模型的表现。启用完整的多变量运行模式后，通过利用序列间依赖关系，模型进一步取得了显著提升。该模型输出覆盖第 10 至第 90 百分位的九个分位数，相较于单点估计能够提供更详细的不确定性概况。

谷歌确认 BigQuery 集成将在未来几周内推出

该模型已在 GitHub 和 Hugging Face 上提供。谷歌确认 BigQuery 集成将在未来几周内推出，将 TimesFM-2.5 引入的 AI.FORECAST 命令扩展至多变量工作负载。这使零售、金融、制造业和科学研究领域的组织能够将外部信号（例如计划中的促销活动）直接纳入预测流程。

常见问题

谷歌于 2026 年 9 月 1 日发布了什么？
谷歌发布了 TimesFM-3，这是一款拥有 3.3 亿参数的时间序列基础模型，引入了原生多变量预测能力，并基于超过 1 万亿个真实世界与合成数据时间点进行预训练。

TimesFM-3 与 TimesFM-2.5 有何不同？
TimesFM-2.5 于 2025 年 9 月发布，是严格的单变量模型，只能使用各序列自身的历史值进行预测。TimesFM-3 支持在单次前向传递中同时预测多个相互关联的时间序列，整合历史观测协变量，并利用未来已知的动态输入。

TimesFM-3 何时将在 BigQuery 中提供？
谷歌确认 BigQuery 集成将在未来几周内推出，将 AI.FORECAST 命令扩展至多变量工作负载，服务于零售、金融、制造业和科学研究领域的组织。