Google 已發布 TimesFM-3，這是其最新一代時間序列基礎模型，也是該系列首個支援原生多變量預測的版本。這個 3.3 億參數模型在超過一兆時間點的真實與合成資料語料上完成預訓練。

TimesFM-3 能在單次前向傳遞中，同時預測多個彼此相關的時間序列，且無需針對特定任務微調，同時保留了早期版本所具備的 zero-shot 泛化能力。該系列先前的模型，包括 2025 年 9 月發布的 TimesFM-2.5，都嚴格屬於單變量模型，只能使用自身歷史值來預測單一序列。

Google 表示，TimesFM-3 的設計是為了符合多數真實世界預測問題的運作方式，也就是必須同時考慮多個共同演化的訊號。該模型支援多個目標變數的聯合預測、使用歷史觀測到的協變數，例如過去的人流量，以及使用已知未來的動態輸入，包括促銷排程與天氣預報。

在底層架構上，TimesFM-3 採用僅解碼器的 transformer 骨幹，並以每系列正規化的方式，將資料切分為連續的 32 個時間步長區塊來處理。其主要創新是作用於二維 token 網格上的交替注意力機制。因果時間注意力確保每個 token 只能存取自身序列中的過去資料，以避免資訊洩漏；而完整變量注意力則讓模型能在每個時間步長學習跨序列相關性。

針對已知未來的協變數，系統會將目前與即將到來的區塊串接成前瞻 tokens。更重要的是，透過 Contiguous Patch Masking 轉向非自迴歸推論，使模型能一次生成整段預測區間，消除了早期版本逐塊生成所帶來的延遲與誤差累積。

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 也在 X 上重申這項公告，寫道："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

基準表現與雲端整合

Google 在三個公開基準測試上評估 TimesFM-3：Gift-Eval、FEV-Bench 與 Time。該公司表示，這個模型在預訓練基礎模型中，於點預測與機率預測指標上都達到業界最佳表現。比較對象包括具備多變量能力的 Chronos-2、Toto 2.0 系列，以及先前的 TimesFM-2.5。

Google 表示，即使將 TimesFM-3 限制為不使用跨序列或協變數資訊的單變量模式，它仍與競爭模型相當或更優；啟用完整多變量運作後，則可透過利用序列間依賴關係帶來額外提升。

該模型會輸出從第 10 百分位到第 90 百分位的 9 個分位數，提供更細緻的不確定性輪廓，而非單一預測值。

在企業部署方面，TimesFM-3 已可在 GitHub 和 Hugging Face 取得。Google 確認 BigQuery 整合將在未來數週內推出，並把 TimesFM-2.5 引入的 AI.FORECAST 指令擴展到多變量工作負載。這可讓零售、金融、製造與科學研究等領域的組織，將促銷排程等外部訊號直接納入預測流程，進而預判需求波動，而不只是外推歷史模式。