谷歌研究院8月31日发布了TimesFM-3，是它时间序列基础模型系列的第三代。330M参数，预训练语料超过1万亿个时间点，涵盖真实与合成时间序列。
解决什么？

此前的版本（到2025年9月的TimesFM-2.5）只能做单变量预测，但现实中的预测问题大多是多变量的：博客举的例子是预测冰淇淋销量：光看历史销量远远不够，还得参考相关品类（甜筒、糖浆）的销售、门店客流，以及天气预报、促销安排、节假日这些已知的未来事件。TimesFM-3原生支持三类输入：同时预测多条相关序列、纳入只有历史值的协变量（如过去的客流）、以及利用已知未来的协变量（如计划中的促销活动），全部零样本，不需要针对任务微调。

架构上有哪些设计？
把未来时段的占位token和已观测的上下文一起送进去，目标序列和历史协变量在未来段被遮住，而已知未来的协变量保持可见，模型一次性把所有被遮住的位置同时填上，不需要迭代。每个目标序列的每一步都会输出9个分位数（10%到90%），给出完整的不确定性区间。

效果如何？
在三个公开基准上（Gift-Eval、FEV-Bench、Time），在点预测和概率预测两类指标上所有预训练基础模型里排名第一，博客里那个促销的例子很直观：单变量模型只会把历史的周度规律往后推，对计划中的促销一无所知；而把促销排期作为已知未来协变量喂进去后，模型从历史中学到促销与销量的关系，预测出每个促销日约20%的销量提升。

在哪拿？
已在GitHub和Hugging Face开放，BigQuery集成在未来几周上线。