AI Ark LLM Wiki

TimesFM-3: A zero-shot foundation model for multivariate forecasting

Properties2
descriptionGoogle Research 對 TimesFM-3 多變量時間序列 foundation model 的方法、評測、模型釋出與授權邊界之摘要與 claim ledger。
tagsraw-evidence, model, research, google, testing, workflow

閱讀時間約 9 分鐘

Capture record

  • Canonical URI： https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/
  • Source class： original research（Google Research 官方 first-party research publication）。本記錄保存 Google 對其模型、實驗與釋出狀態的陳述，維持 status: draft；官方自報結果不是 AI Ark 的獨立重現或 human verification。
  • 原文標題： TimesFM-3: A zero-shot foundation model for multivariate forecasting
  • 作者／出版者： Ayush Jain、Rajat Sen／Google Research
  • 發布時間： 2026-08-31（文章頁標示 August 31, 2026；本次未採用預跑 metadata 的精確發布秒數）
  • 擷取時間： 2026-08-31T17:28:55+00:00
  • Retrieval method： 讀取 Google Research canonical HTML 的文章內容與連結；另讀取 Google Research 的 google-research/timesfm GitHub README，以及 Hugging Face google/timesfm-3.0-pytorch model card 作模型能力、benchmark、資料與授權 claim tracing。未保存 HTML、GitHub 或 Hugging Face 完整 payload。
  • HTTP metadata： Google Research status 200、Content-Type: text/html; charset=utf-8、Content-Length: 180367、Date: Mon, 31 Aug 2026 17:28:05 GMT、Cache-Control: max-age=1800。GitHub status 200、Content-Type: text/html; charset=utf-8、ETag: W/\"4361e11e78067acc2a5cbfc3fc03a06e\"、Date: Mon, 31 Aug 2026 17:28:06 GMT；Hugging Face status 200、Content-Type: text/html; charset=utf-8、Content-Length: 142827、ETag: W/\"22deb-TwubkVjZK8+KCFh93P+eyyVmjvGk\"、Date: Mon, 31 Aug 2026 17:28:06 GMT。未保存各 response payload。
  • Saved payloads and SHA-256： 無；僅保存本 wrapper。frontmatter 的 sha256 是本檔 frontmatter 結束後 body 的 SHA-256，未對未保存的 HTML、GitHub 或 Hugging Face response 宣稱可重現 hash。

Faithful summary

Google Research 介紹 TimesFM-3，稱其為下一代 time-series foundation model，原生針對 multivariate forecasting 預訓練。文章稱模型有 330 million parameters，預訓練資料由 real-world 與 synthetic time-series corpus 組成，合計超過 1 trillion time points；這些模型規模與資料量是 Google Research 的來源陳述，不是本次獨立重算。1

TimesFM-3 支援同時預測多個共同演化的 target series，也支援只在歷史出現的 past covariates，以及歷史與未來皆已知的 past-future dynamic covariates。它可輸出 point forecast 與 quantile forecast。Google Research 的 GitHub README 也把 native multivariate、past-only／past-and-future covariates 與不需 per-task tuning 的 zero-shot 使用列為 3.0 的主要能力。12

架構延續 decoder-only transformer 路線，並包含 per-series normalization、針對 covariate 的 multivariate token construction，以及以 future covariate 作 lookahead 的 token 設計。文章描述以 Contiguous Patch Masking（CPM）把未來 horizon 的 masked patches 一次解碼，target 與 past-only covariates 在未知區間被 mask，past-future covariates 則保留；模型為每個 target 與 horizon step 產生第 10 至第 90 percentile 的 9 個 quantiles。1 Hugging Face model card 另列出 20 層、model dimension 1280、16 heads、context patch length 32、forecast patch length 64，以及 Stacked Mixing Transformer、Variate Attention 與 CPM Iterative RevIN 等實作資訊；這些欄位屬釋出 model card 的版本資訊。3

Evaluation and release boundary

文章稱 TimesFM-3 在 Gift-Eval、FEV-Bench 與 TIME 三個公開 forecasting benchmark 上，在 point 與 probabilistic forecasting metrics 的 average rank 都是所有預訓練 foundation models 中最高。它並比較 TimesFM-2.5、Chronos-2 與 Toto 2.0 等模型，指出即使不使用 cross-series 或 covariate information 的 univariate mode 也有競爭力，而 full multivariate mode 進一步提高平均排名。1 GitHub README 將這項結果具體列為 FEV-Bench 100 個 real-world tasks、TIME 50 個 domain datasets／98 evaluation tasks 的 overall rank #1，以及 GIFT-Eval 的 foundation-model rank #1。這些數字與排名是 Google Research／其官方 repo 的 benchmark reporting，不等於外部重現、跨資料切分的普遍 SOTA 或生產環境成效。2

Google Research 表示 TimesFM-3 已在 GitHub 與 Hugging Face 提供，並稱 BigQuery integration 將在接下來幾週推出；本次未把「已可在 BigQuery 使用 TimesFM-3」寫成已發生的產品事實。GitHub README 也明確區分：source code 採 Apache-2.0，2.5 以前的 model weights 保持 Apache-2.0，但 TimesFM-3 預訓練權重目前採 timesfm-non-commercial-license-v1.0，限制為 non-commercial、non-production use。Hugging Face model card 同樣標示 TimesFM Non-Commercial License v1.0。123

Reusable extraction

這筆來源可補上 structured-data foundation model 的另一條路線：先用跨領域預訓練取得 zero-shot generalization，再把 cross-series dependency、past／future covariates 與 probabilistic output 納入同一個 inference contract。對資料科學或企業預測工作流，不能只問模型是否能產生一條曲線，還要固定 target／covariate 的可得時間、forecast horizon、point 與 quantile metrics、資料切分、外部時間泛化、成本與授權，並把預測結果接到 eval-is-spec 的 task-level eval 與 data-science-agents 的可回查分析流程。這是由本次來源整理出的 observational workflow guidance，不是 TimesFM-3 研究直接驗證的通用治理模型。12

Claim ledger

IDSource claimStatusOwning evidence and boundary
C01Google Research 介紹 TimesFM-3，稱其有 330M parameters，並以超過 1 trillion time points 的 real-world／synthetic corpus 預訓練。supportedGoogle Research 原文直接陳述；Hugging Face model card 顯示約 0.3B params，但本次未獨立重算訓練資料點數。13
C02TimesFM-3 原生支援多 target、past covariates、past-future dynamic covariates，以及 point／quantile forecasts。supportedGoogle Research 文章與官方 GitHub README 都直接描述；支援能力不等於對所有資料集都有同等效果。12
C03TimesFM-3 以 CPM 產生 single-forward-pass forecast，並輸出 9 個從第 10 至第 90 percentile 的 quantiles。supportedGoogle Research 文章直接描述；本次未重跑 inference 或檢查所有 horizon 的輸出實作。1
C04Google Research 報告 TimesFM-3 在 Gift-Eval、FEV-Bench、TIME 的 point 與 probabilistic forecasting 平均排名最高。partially-supported文章與官方 GitHub README 支持「來源報告的 rank #1」；benchmark 版本、切分、公平性與外部 replication 未在本次獨立驗證。12
C05完整 multivariate mode 比不使用 cross-series／covariate information 的 univariate mode 有更好的平均排名。supportedGoogle Research 文章直接比較兩種 mode；這是該 benchmark protocol 下的結果，不是所有任務或部署資料的保證。1
C06TimesFM-3 預訓練權重目前限 non-commercial、non-production use；source code 與 2.5 以前權重的授權不同。supported官方 GitHub README 與 Hugging Face model card 直接列出授權邊界；實際採用仍需以當下 license 文件與版本為準。23
C07TimesFM-3 已可在 BigQuery 使用。unresolvedGoogle Research 文章只說 BigQuery integration 將在接下來幾週推出；本次未找到 3.0 已上線的 BigQuery 官方文件。1
C08TimesFM-3 的官方 benchmark 優勢會穩定轉化為任意企業資料的準確率、ROI 或生產力提升。unresolved本次來源沒有企業部署資料、外部 replication、ROI 分母或因果設計；不能由 benchmark rank 外推。

Evidence boundary

本記錄支持的最小結論是：Google Research 發布了 TimesFM-3 的官方研究與模型釋出資訊，主張其原生多變量 forecasting、covariate 支援、single-pass probabilistic output，以及在三個公開 benchmark 上的官方排名結果。這些 claim 的 owning evidence 是 Google Research 文章、官方 GitHub README 與 Hugging Face model card；本次沒有保存完整 payload，也沒有重跑模型或 benchmark。

本記錄不能證明 TimesFM-3 在所有領域、時間粒度、資料品質或企業資料上都優於其他模型，不能證明 BigQuery integration 已完成，不能把示意性的 promotion sales bump 當成實際實驗效果，也不能把官方 benchmark reporting 當作獨立驗證或 production reliability。未加入 verified；本次只有 process-level source checks，沒有獨立 human verification。

Rights boundary

Google Research article、GitHub README 與 Hugging Face model card 均為外部來源。本次僅保存 metadata、faithful summary、claim ledger、必要的證據核對連結與 evidence boundary；未保存文章全文、圖片、完整 HTML、完整 GitHub README 或完整 model files。模型權重的使用另受 TimesFM Non-Commercial License v1.0 與 Hugging Face access conditions 約束；canonical links 是後續查核入口，來源讀取不等於取得重製或商業使用授權。

Footnotes

  1. Google Research，〈TimesFM-3: A zero-shot foundation model for multivariate forecasting〉，2026-08-31；https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12

  2. Google Research，google-research/timesfm README，TimesFM 3.0 update、benchmark、release 與 license notes；本次頁面讀取 2026-08-31，repo 顯示 2026-08-28 最新 commit；https://github.com/google-research/timesfm。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7

  3. Google Research，google/timesfm-3.0-pytorch Hugging Face model card，模型細節、資料來源與授權；本次頁面讀取 2026-08-31；https://huggingface.co/google/timesfm-3.0-pytorch。 ↩ ↩2 ↩3 ↩4

Graph View

反向連結