Google 开源 TimesFM 3.0：1G 显存就能跑，原生支持多变量时序预测

Google 开源的 TimesFM 3.0 是一个专门用来做时间序列预测的基础模型，能帮你在不需要针对自己业务微调的情况下，直接推算零售销量、用电负荷、仓库物流或设备指标的未来走势。

和上一代 TimesFM 2.5 只能盯着单根历史曲线不同，3.0 版本最大的变化是原生支持多变量预测。它不仅能同时参考多条互相关联的历史数据，还能把已经确定的未来事件一起算进去，而且整个预测区间的数值只靠一次前向传播就能全部输出。

它能做什么

所谓的原生多变量预测，说白了就是它学会了像业务专家一样看全局。

举个简单的例子，如果你要预测接下来一周的冰淇淋销量，以前的模型只能看过去几周冰淇淋卖了多少。现在 TimesFM 3.0 可以一边看冰淇淋历史，一边结合甜筒和糖浆等相关耗材的走势，再顺手吃进未来几天的天气预报、周末节假日安排以及早已定好的促销排期表。

这种能力放在很多行业都很实用。医院可以结合气温突变和流感趋势提前备药，物流团队能根据订单峰值提前调度运力，电厂也能更准地预估第二天每个小时的发电需求。

在 GIFT-Eval、FEV-Bench 和 TIME 等标准基准测试中，TimesFM 3.0 的点预测和概率预测指标都排在同类模型第一，成绩超过了 Chronos-2 和 Toto 2.0 等主流时序基础模型。

硬件要求与开放程度

TimesFM 3.0 跑起来非常轻巧，整个模型只有 3.3 亿参数，权重文件大小大约 1.32GB。

模型是在超过 1 万亿个时间点的大规模数据集上预训练出来的，压缩了极其密集的规律。由于体量克制，它只需要 1GB 显存就能顺利运行，这意味着大多数普通的消费级电脑甚至轻薄本都能在本地把它跑起来。

开放程度方面，Google 已经在 Hugging Face 上公开了官方 PyTorch 权重与配置文件，配套的本地运行代码和环境配置说明可以在 GitHub 上找到。它具备完全的零样本推理能力，通常拿来直接载入数据就能跑，不需要你费时费力去重新训练。

不过需要特别提醒的是，这次模型采用的是 TimesFM Non-Commercial License v1.0。也就是说，目前它只允许学术研究和个人非商业用途测试，企业如果想直接塞进生产系统的商业闭环，暂时还不行。

为什么重要

如果你是做数据分析、量化研究或供应链预测的开发者，TimesFM 3.0 非常值得第一时间拉到本地跑一跑。它最大的吸引力在于把门槛降到了极点：1GB 显存、完全零样本、一次前向计算出整段结果，省去了过去搭建复杂统计流水线或反复微调时序模型的麻烦。

从技术路线上看，时序模型终于从单变量玩具跨进了多变量实用的门槛。不过非商业许可证是它眼下最明显的短板，这让许多本该受益的电商和工业落地场景只能先在沙盒里观望。但它至少证明了一件事：不需要堆叠几十亿参数，3.3 亿参数的小模型只要预训练数据够扎实，就能在专业垂类里把大模型比下去。