Google 於 2026 年 9 月 1 日發布 TimesFM-3。這是一個擁有 3.3 億個參數的時間序列基礎模型，首次原生支援多變量預測能力。該模型解決了前代 TimesFM-2.5 的限制；後者只能使用各個序列自身的歷史值來預測個別序列。TimesFM-3 可在單次前向傳遞中，同時預測多個相互關聯的時間序列，無需針對特定任務進行微調；其預訓練資料集包含超過 1 兆個來自真實世界與合成資料的時間點。這項發布代表時間序列預測架構的一項進展，支援同時預測多個目標變數，以及整合歷史觀測到的共變量與未來已知的動態輸入。
TimesFM-3 引入交替注意力機制以捕捉跨序列相關性
於 2025 年 9 月發布的 TimesFM-2.5 嚴格採用單變量架構，僅使用各個序列自身的歷史值來預測個別序列。TimesFM-3 則因應大多數實務預測都依賴多個共同演變訊號的現實情況。該架構支援同時預測多個目標變數、整合歷史觀測到的共變量（例如過去的客流量），以及利用未來已知的動態輸入（包括促銷時程與天氣預報）。
該模型保留僅解碼器 Transformer 主幹架構，並以連續 32 個時間步長的區塊處理資料，同時對各個序列進行正規化。其核心創新是在二維代幣網格上運作的交替注意力機制：因果時間注意力確保每個代幣只能存取其自身序列中的過去資料，以防止資訊洩漏；全變量注意力則能在每個時間步長學習跨序列相關性。
對於未來已知的共變量，系統會將目前與即將到來的區塊串接成前瞻代幣。透過連續區塊遮罩，模型轉向非自回歸推論，同時產生完整的預測範圍，消除了早期版本逐區塊生成所伴隨的延遲與誤差累積。
TimesFM-3 在三項公開基準測試中達到最先進水準
Google 在三項全面性的公開基準測試——Gift-Eval、FEV-Bench 與 Time——上評估 TimesFM-3。在所有預訓練基礎模型中，該模型於點預測與機率預測指標上均達到最先進水準。比較對象包括 Chronos-2 與 Toto 2.0 系列等支援多變量預測的競爭模型，以及前代 TimesFM-2.5。
即使限制在不使用跨序列或共變量資訊的單變量模式下，TimesFM-3 仍可媲美或超越競爭模型。啟用完整多變量運作後，模型進一步利用序列間的依賴關係，帶來顯著的額外提升。模型會輸出涵蓋第 10 至第 90 百分位的 9 個分位數，提供詳細的不確定性概況，而非單點估計。
Google 確認 BigQuery 整合將於未來幾週內推出
該模型目前已在 GitHub 與 Hugging Face 上提供。Google 確認 BigQuery 整合將於未來幾週內推出，將 TimesFM-2.5 引入的 AI.FORECAST 指令擴充至多變量工作負載。這讓零售、金融、製造與科學研究領域的組織能將外部訊號（例如已規劃的促銷活動）直接納入預測管線。
常見問題
Google 於 2026 年 9 月 1 日發布了什麼？
Google 發布了 TimesFM-3。這是一個擁有 3.3 億個參數的時間序列基礎模型，首次原生支援多變量預測能力，並以超過 1 兆個來自真實世界與合成資料的時間點進行預訓練。
TimesFM-3 與 TimesFM-2.5 有何不同？
於 2025 年 9 月發布的 TimesFM-2.5 嚴格採用單變量架構，只能使用各個序列自身的歷史值來預測個別序列。TimesFM-3 則支援在單次前向傳遞中，同時預測多個相互關聯的時間序列、整合歷史觀測到的共變量，以及利用未來已知的動態輸入。
TimesFM-3 何時能在 BigQuery 中使用？
Google 確認 BigQuery 整合將於未來幾週內推出，將 AI.FORECAST 指令擴充至多變量工作負載，供零售、金融、製造與科學研究領域的組織使用。
