Google 開源 TimesFM 3.0：1G 視訊記憶體就能跑，原生支援多變數時序預測

Google 開源的 TimesFM 3.0 是一個專門用來做時間序列預測的基礎模型，能幫你在不需要針對自己業務微調的情況下，直接推算零售銷量、用電負荷、倉庫物流或裝置指標的未來走勢。

和上一代 TimesFM 2.5 只能盯著單根歷史曲線不同，3.0 版本最大的變化是原生支援多變數預測。它不僅能同時參考多條互相關聯的歷史資料，還能把已經確定的未來事件一起算進去，而且整個預測區間的數值只靠一次前向傳播就能全部輸出。

它能做什麼

所謂的原生多變數預測，說白了就是它學會了像業務專家一樣看全域性。

舉個簡單的例子，如果你要預測接下來一週的冰淇淋銷量，以前的模型只能看過去幾週冰淇淋賣了多少。現在 TimesFM 3.0 可以一邊看冰淇淋歷史，一邊結合甜筒和糖漿等相關耗材的走勢，再順手吃進未來幾天的天氣預報、週末節假日安排以及早已定好的促銷排期表。

這種能力放在很多行業都很實用。醫院可以結合氣溫突變和流感趨勢提前備藥，物流團隊能根據訂單峰值提前排程運力，電廠也能更準地預估第二天每個小時的發電需求。

在 GIFT-Eval、FEV-Bench 和 TIME 等標準基準測試中，TimesFM 3.0 的點預測和機率預測指標都排在同類模型第一，成績超過了 Chronos-2 和 Toto 2.0 等主流時序基礎模型。

硬體要求與開放程度

TimesFM 3.0 跑起來非常輕巧，整個模型只有 3.3 億引數，權重檔案大小大約 1.32GB。

模型是在超過 1 萬億個時間點的大規模資料集上預訓練出來的，壓縮了極其密集的規律。由於體量剋制，它只需要 1GB 視訊記憶體就能順利執行，這意味著大多數普通的消費級電腦甚至輕薄本都能在本地把它跑起來。

開放程度方面，Google 已經在 Hugging Face 上公開了官方 PyTorch 權重與配置檔案，配套的本地執行程式碼和環境配置說明可以在 GitHub 上找到。它具備完全的零樣本推理能力，通常拿來直接載入資料就能跑，不需要你費時費力去重新訓練。

不過需要特別提醒的是，這次模型採用的是 TimesFM Non-Commercial License v1.0。也就是說，目前它只允許學術研究和個人非商業用途測試，企業如果想直接塞進生產系統的商業閉環，暫時還不行。

為什麼重要

如果你是做資料分析、量化研究或供應鏈預測的開發者，TimesFM 3.0 非常值得第一時間拉到本地跑一跑。它最大的吸引力在於把門檻降到了極點：1GB 視訊記憶體、完全零樣本、一次前向計算出整段結果，省去了過去搭建複雜統計流水線或反覆微調時序模型的麻煩。

從技術路線上看，時序模型終於從單變數玩具跨進了多變數實用的門檻。不過非商業許可證是它眼下最明顯的短板，這讓許多本該受益的電商和工業落地場景只能先在沙盒裡觀望。但它至少證明了一件事：不需要堆疊幾十億引數，3.3 億引數的小模型只要預訓練資料夠紮實，就能在專業垂類裡把大模型比下去。