Google hat TimesFM-3 veröffentlicht, die neueste Generation seines Foundation-Modells für Zeitreihen und die erste der Reihe mit nativer Unterstützung für multivariate Prognosen. Das Modell mit 330 Millionen Parametern wurde auf einem Korpus aus realen und synthetischen Daten vortrainiert, der mehr als eine Billion Zeitpunkte umfasst.

TimesFM-3 kann mehrere zusammenhängende Zeitreihen gleichzeitig in einem einzigen Forward Pass prognostizieren, ohne aufgabenspezifisches Fine-Tuning, und behält dabei die Zero-Shot-Generalisierung bei, die frühere Versionen auszeichnete. Frühere Modelle der Familie, einschließlich TimesFM-2.5, das im September 2025 veröffentlicht wurde, waren strikt univariat und prognostizierten einzelne Reihen nur anhand ihrer eigenen historischen Werte.

Google sagte, TimesFM-3 sei für die Art von Prognoseproblemen entwickelt worden, wie sie in der Praxis am häufigsten auftreten, bei denen mehrere gemeinsam evolvierende Signale zusammen betrachtet werden müssen. Das Modell unterstützt die gemeinsame Vorhersage mehrerer Zielvariablen, die Nutzung historisch beobachteter Kovariaten wie früherer Besucherzahlen sowie zukünftig bekannter dynamischer Eingaben wie Aktionspläne und Wetterprognosen.

Unter der Haube verwendet TimesFM-3 eine nur auf dem Decoder basierende Transformer-Architektur und verarbeitet Daten in zusammenhängenden Blöcken von 32 Zeitschritten mit serienweiser Normalisierung. Seine zentrale Innovation ist ein alternierender Attention-Mechanismus, der über ein zweidimensionales Token-Gitter arbeitet. Kausale zeitliche Attention stellt sicher, dass jedes Token nur auf vergangene Daten innerhalb seiner eigenen Reihe zugreifen kann, um Informationslecks zu verhindern, während vollständige Variate-Attention das Lernen von Korrelationen zwischen Reihen bei jedem Zeitschritt ermöglicht.

Für zukünftig bekannte Kovariaten fügt das System aktuelle und kommende Blöcke zu Lookahead-Tokens zusammen. Entscheidend ist außerdem, dass der Wechsel zu nicht-autoregressiver Inferenz durch Contiguous Patch Masking den gesamten Prognosehorizont gleichzeitig erzeugt und damit die Latenz und Fehlerakkumulation beseitigt, die bei der blockweisen Erzeugung früherer Versionen auftraten.

Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks. More on the blog → pic.twitter.com/NfbONpFYDz — Google Research (@GoogleResearch) August 31, 2026

Google Research wiederholte die Ankündigung in einem Beitrag auf X und schrieb: "Introducing TimesFM-3, a state-of-the-art time series foundation model that enables accurate multivariate time series forecasting in a single forward pass, significantly outperforming other forecasting models across major benchmarks. More on the blog → pic.twitter.com/NfbONpFYDz" — Google Research (@GoogleResearch) August 31, 2026

Benchmark-Performance und Cloud-Integration

Google evaluierte TimesFM-3 auf drei öffentlichen Benchmarks: Gift-Eval, FEV-Bench und Time. Das Unternehmen sagte, das Modell habe unter den vortrainierten Foundation-Modellen sowohl bei Punktprognosen als auch bei probabilistischen Prognosemetriken State-of-the-Art-Ergebnisse erzielt. Zu den Vergleichen gehörten multivariate Modelle wie Chronos-2 und die Toto-2.0-Familie sowie das frühere TimesFM-2.5.

Google sagte, dass TimesFM-3 selbst im univariaten Modus ohne Informationen aus anderen Reihen oder Kovariaten mit konkurrierenden Modellen gleichgezogen oder diese übertroffen habe. Bei aktivierter vollständiger multivariater Verarbeitung erzielte das Modell zusätzliche Zugewinne, indem es Abhängigkeiten zwischen den Reihen nutzte.

Das Modell gibt neun Quantile vom 10. bis zum 90. Perzentil aus und liefert damit ein detailliertes Unsicherheitsprofil statt eines einzelnen Prognosewerts.

Für den Unternehmenseinsatz ist TimesFM-3 auf GitHub und Hugging Face verfügbar. Google sagte, dass die BigQuery-Integration in den kommenden Wochen folgen werde und den mit TimesFM-2.5 eingeführten AI.FORECAST-Befehl auf multivariate Workloads erweitere. Das ist für Teams relevant, die Betriebsdaten bereits in BigQuery speichern, weil damit Prognosen innerhalb bestehender Analyse-Workflows und nicht in einem separaten Tool möglich werden. Google sagte, dies werde Organisationen in Einzelhandel, Finanzwesen, Fertigung und wissenschaftlicher Forschung ermöglichen, externe Signale wie geplante Aktionen direkt in Prognose-Pipelines zu integrieren, um Nachfrageschwankungen zu berücksichtigen, statt lediglich historische Muster fortzuschreiben.