Google ha lanzado TimesFM-3, la generación más reciente de su modelo fundacional de series temporales y el primero de la serie en admitir pronóstico multivariante nativo. El modelo, con 330 millones de parámetros, está preentrenado sobre un corpus de datos reales y sintéticos que supera un billón de puntos temporales.

TimesFM-3 puede predecir simultáneamente múltiples series temporales interrelacionadas en un solo paso hacia adelante, sin ajuste fino específico para la tarea, al tiempo que conserva la generalización zero-shot que caracterizó a versiones anteriores. Los modelos previos de la familia, incluido TimesFM-2.5, lanzado en septiembre de 2025, eran estrictamente univariantes y pronosticaban series individuales usando solo sus propios valores históricos.

Google dijo que TimesFM-3 está diseñado para la forma en que funcionan la mayoría de los problemas de pronóstico del mundo real, donde múltiples señales coevolutivas deben considerarse en conjunto. El modelo admite la predicción conjunta de varias variables objetivo, el uso de covariables observadas históricamente, como el tráfico peatonal pasado, y entradas dinámicas conocidas en el futuro, incluidas programaciones promocionales y pronósticos meteorológicos.

En su interior, TimesFM-3 utiliza una base de transformer solo decodificador y procesa los datos en fragmentos contiguos de 32 pasos de tiempo con normalización por serie. Su principal innovación es un mecanismo de atención alternante que opera sobre una cuadrícula de tokens bidimensional. La atención temporal causal asegura que cada token solo pueda acceder a datos pasados dentro de su propia serie, lo que ayuda a prevenir fugas de información, mientras que la atención de variate completo permite que el modelo aprenda correlaciones entre series en cada paso temporal.

Para las covariables conocidas en el futuro, el sistema concatena los fragmentos actuales y los siguientes en tokens de anticipación. Google también dijo que el cambio a una inferencia no autoregresiva mediante Contiguous Patch Masking permite que el modelo genere todo el horizonte de pronóstico a la vez, eliminando la latencia y la acumulación de errores asociadas con la generación fragmento por fragmento en versiones anteriores.

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 repitió el anuncio en una publicación en X, escribiendo: "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

Rendimiento en benchmarks e integración en la nube

Google evaluó TimesFM-3 en tres benchmarks públicos: Gift-Eval, FEV-Bench y Time. La compañía dijo que el modelo logró resultados de última generación tanto en métricas de pronóstico puntual como probabilístico entre los modelos fundacionales preentrenados. Las comparaciones incluyeron modelos con capacidad multivariante como Chronos-2 y la familia Toto 2.0, así como el anterior TimesFM-2.5.

Google dijo que, incluso cuando TimesFM-3 se limitó al modo univariante sin información entre series ni covariables, igualó o superó a los modelos competidores. Cuando se habilitó la operación multivariante completa, el modelo ofreció ganancias adicionales al aprovechar dependencias entre series.

El modelo produce nueve cuantiles que abarcan del percentil 10 al 90, ofreciendo un perfil detallado de incertidumbre en lugar de un único valor de pronóstico.

Para uso empresarial, TimesFM-3 está disponible en GitHub y Hugging Face. Google dijo que la integración con BigQuery llegará en las próximas semanas, ampliando el comando AI.FORECAST introducido con TimesFM-2.5 a cargas de trabajo multivariantes. Eso es relevante para los equipos que ya almacenan datos operativos en BigQuery, porque apunta a realizar pronósticos dentro de los flujos de trabajo analíticos existentes y no en una herramienta separada. Google dijo que esto permitirá a organizaciones de retail, finanzas, manufactura e investigación científica incorporar señales externas, como promociones planificadas, directamente en los flujos de pronóstico, para tener en cuenta fluctuaciones de la demanda en lugar de solo extrapolar patrones históricos.