Google udostępnił TimesFM-3, najnowszą generację swojego modelu bazowego do szeregów czasowych i pierwszy model z tej serii obsługujący natywne prognozowanie wielowymiarowe. Model o 330 milionach parametrów został wstępnie wytrenowany na zbiorze danych rzeczywistych i syntetycznych obejmującym ponad jeden bilion punktów czasowych.

TimesFM-3 może jednocześnie prognozować wiele wzajemnie powiązanych szeregów czasowych w jednym przebiegu, bez dostrajania do konkretnego zadania, zachowując przy tym zdolność generalizacji zero-shot, która wyróżniała wcześniejsze wersje. Poprzednie modele z tej rodziny, w tym TimesFM-2.5, wydany we wrześniu 2025, były wyłącznie jednowymiarowe i prognozowały pojedyncze szeregi na podstawie własnych wartości historycznych.

Google powiedział, że TimesFM-3 został zaprojektowany z myślą o tym, jak działają większość rzeczywistych problemów prognostycznych, w których trzeba uwzględniać jednocześnie wiele współewoluujących sygnałów. Model obsługuje wspólne prognozowanie kilku zmiennych docelowych, wykorzystanie historycznie obserwowanych zmiennych objaśniających, takich jak wcześniejszy ruch pieszy, oraz przyszłych dynamicznych danych wejściowych, w tym harmonogramów promocji i prognoz pogody.

Pod maską TimesFM-3 korzysta z architektury transformera typu decoder-only i przetwarza dane w ciągłych fragmentach po 32 kroki czasowe z normalizacją dla każdego szeregu. Jego główną innowacją jest naprzemienny mechanizm uwagi działający na dwuwymiarowej siatce tokenów. Przyczynowa uwaga czasowa zapewnia, że każdy token ma dostęp wyłącznie do danych z przeszłości w obrębie własnego szeregu, co pomaga zapobiegać wyciekom informacji, natomiast pełna uwaga międzyzmienna pozwala modelowi uczyć się korelacji między szeregami w każdym kroku czasowym.

W przypadku przyszłych zmiennych objaśniających system łączy bieżące i nadchodzące fragmenty w tokeny lookahead. Google powiedział również, że przejście na wnioskowanie nieautoregresywne poprzez Contiguous Patch Masking pozwala modelowi generować cały horyzont prognozy jednocześnie, usuwając opóźnienia i kumulację błędów związane z generowaniem fragment po fragmencie w poprzednich wersjach.

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 powtórzył ogłoszenie w poście na X, pisząc: "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

Wyniki benchmarków i integracja z chmurą

Google ocenił TimesFM-3 na trzech publicznych benchmarkach: Gift-Eval, FEV-Bench i Time. Firma podała, że model osiągnął najlepsze wyniki wśród wstępnie wytrenowanych modeli bazowych zarówno w metrykach prognozowania punktowego, jak i probabilistycznego. W porównaniach uwzględniono wielowymiarowe modele, takie jak Chronos-2 i rodzina Toto 2.0, a także wcześniejszy TimesFM-2.5.

Google powiedział, że nawet gdy TimesFM-3 ograniczono do trybu jednowymiarowego, bez informacji między szeregami ani zmiennych objaśniających, model dorównywał konkurencyjnym rozwiązaniom lub je przewyższał. Po włączeniu pełnego trybu wielowymiarowego model uzyskiwał dodatkowe korzyści dzięki wykorzystaniu zależności między szeregami.

Model zwraca dziewięć kwantyli od 10. do 90. percentyla, zapewniając szczegółowy profil niepewności zamiast pojedynczej wartości prognozy.

Dla zastosowań korporacyjnych TimesFM-3 jest dostępny na GitHub i Hugging Face. Google powiedział, że integracja z BigQuery pojawi się w najbliższych tygodniach, rozszerzając komendę AI.FORECAST wprowadzoną wraz z TimesFM-2.5 na obciążenia wielowymiarowe. Umożliwi to organizacjom z sektora handlu detalicznego, finansów, produkcji i badań naukowych bezpośrednie włączanie sygnałów zewnętrznych, takich jak planowane promocje, do procesów prognozowania, aby uwzględniać wahania popytu zamiast wyłącznie ekstrapolować historyczne wzorce.

The post Google’s New TimesFM-3 Outperforms Rivals At Complex Forecasting And Will Soon Be Available In BigQuery appeared first on Metaverse Post .