Google 已发布 TimesFM-3，这是其时间序列基础模型的最新一代，也是该系列中首个支持原生多变量预测的版本。该 3.3 亿参数模型在超过一万亿个时间点的真实与合成数据语料上进行了预训练。

TimesFM-3 能在单次前向传递中同时预测多个相互关联的时间序列，无需针对特定任务进行微调，同时保留了早期版本所具备的 zero-shot 泛化能力。该系列此前的模型，包括于 2025 年 9 月发布的 TimesFM-2.5，都严格属于单变量模型，仅使用各自的历史值来预测单个序列。

Google 表示，TimesFM-3 的设计方式符合大多数现实世界预测问题的特点，即必须将多个共同演化的信号一起纳入考虑。该模型支持对多个目标变量进行联合预测，支持使用历史观测到的协变量，例如过去的客流量，并支持使用已知未来的动态输入，包括促销日程和天气预报。

在内部架构上，TimesFM-3 采用仅解码器 transformer 骨干，并以每个序列归一化的方式处理由 32 个时间步组成的连续切片。其核心创新是一个在二维 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 只能访问自身序列中的过去数据，以防止信息泄露；而完整变量注意力则允许模型在每个时间步学习跨序列相关性。

对于未来已知的协变量，系统会将当前和即将到来的切片拼接为 lookahead tokens。Google 还表示，通过 Contiguous Patch Masking 转向非自回归推理，使模型能够一次性生成完整预测区间，消除了早期版本中按切片逐步生成所带来的延迟和误差累积。

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 在 X 上再次发布了这一公告，写道：“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

基准表现与云端集成

Google 在三个公开基准——Gift-Eval、FEV-Bench 和 Time——上评估了 TimesFM-3。公司表示，该模型在预训练基础模型中，于点预测和概率预测指标上均达到了最先进水平。比较对象包括具备多变量能力的 Chronos-2 和 Toto 2.0 系列，以及此前的 TimesFM-2.5。

Google 表示，即便在不包含跨序列或协变量信息的单变量模式下，TimesFM-3 也能与竞争模型持平或更优；当启用完整多变量模式时，模型通过利用序列间依赖关系带来了额外提升。

该模型输出从第 10 百分位到第 90 百分位之间的九个分位数，提供更详细的不确定性概况，而不是单一预测值。

面向企业使用，TimesFM-3 已可在 GitHub 和 Hugging Face 上获取。Google 表示，BigQuery 集成将在未来数周内推出，把 TimesFM-2.5 中引入的 AI.FORECAST 命令扩展到多变量工作负载。这意味着已经将运营数据保存在 BigQuery 中的团队，可以在现有分析流程中进行预测，而不是依赖单独工具。Google 表示，这将使零售、金融、制造和科学研究领域的组织能够将计划促销等外部信号直接纳入预测流程，从而考虑需求波动，而不仅仅是外推历史模式。