谷歌深夜王炸开源！100+基准测试屠榜，准确率高到离谱

按住下方图标，点击小程序

免费领取AI学习资料、精选提示词

今天凌晨，谷歌在官网开源了一个重磅模型TimesFM-3，原生支持多变量数据，终于把多变量预测这块硬骨头啃下来了。

根据谷歌公开数据显示，TimesFM-3在fev-bench、TIME Benchmark和GIFT-Eval三大基准测试的100多个场景中，全部拿下第一，成为目前最强开源预测模型。

开源地址：https://huggingface.co/google/timesfm-3.0-pytorch

Github：https://github.com/google-research/timesfm

熟悉谷歌TimesFM系列的小伙伴应该知道，这个系列从2024年推出初代版本之后，就一直在落地各类真实场景的时序预测任务，各行各业都有不少落地案例。

但之前的版本始终有一个很大的局限，不管是最早的初代模型，还是2025年9月更新的2.5版本，都只支持单变量预测。

简单解释一下单变量预测的短板，就是模型只能盯着一组历史数据做推演。

就拿我们最熟悉的零售场景举例，如果只是预测冰淇淋销量，单变量模型只会参考过往的销量数据。

但懂业务的人都清楚，现实里影响销量的因素太多了，门店客流、配套产品销量、天气变化、节假日、店铺促销活动。

每一项都会左右最终的销售数据，只看单一数据预测出来的结果，偏差自然会非常大。

TimesFM-3原生支持多变量零样本预测

而这次全新升级的TimesFM-3，最核心的突破就是彻底摆脱了单变量的束缚，原生适配多变量预测场景。

模型整体参数量达到3.3亿，训练数据覆盖了真实场景数据和人工合成时序数据，整体训练的时间点位突破1万亿，数据体量足够庞大，也让泛化能力变得极其扎实。

TimesFM-3完美继承了前代模型高效、零样本适配的优势，不用针对具体业务场景单独微调，拿来就能用。

同时新增了复杂多场景的适配能力，可以同时观测多组联动变化的时序数据，精准捕捉不同数据之间的关联影响，预测精度相比旧版本实现了质的提升。

具体来说，TimesFM-3能适配三类主流预测需求，基本覆盖了市面上绝大多数业务场景。

首先是多目标同时预测，可以一次性推演多组关联数据，比如同时预测多个品牌、多款品类的商品销量，还能同步输出精准的常规预测结果和概率区间结果。

其次是支持历史协变量分析，能够参考过往的各类辅助数据，比如门店历史客流、往期活动数据这类只有历史记录的信息。

最后也是最实用的一点，支持历史未来动态协变量，可以接入已知的未来固定事件，像提前规划好的促销活动、未来天气预报、法定节假日这些确定信息，让预测结果更贴合实际业务节奏。

全新推理模式

旧版TimesFM模型还有一个很明显的短板，就是需要逐段生成预测数据。

这种迭代式的生成方式，不仅推理速度慢，还容易出现误差层层叠加的问题，会造成算力成本很高。

而TimesFM-3直接换成了单次全局推理的模式，效率和精度双双拉满。

模型会先读取完整的历史观测数据，再给未来需要预测的时间段预留空白占位，针对性区分不同数据的运算逻辑。

未知的未来目标数据会做屏蔽处理，避免无效干扰，而已知的未来活动、天气、节假日等数据会全程保留，给模型提供完整的参考依据。

依托双层交替注意力机制，模型可以一次性补全所有未来时间段的预测结果，不需要反复循环运算，速度提升非常明显。

此外，TimesFM-3的输出结果也更加全面细致。针对每一组预测数据、每一个未来时间节点，都会输出9档不同的概率区间，不只是给出一个单一的预测数值。

还能清晰展示预测结果的波动范围和不确定性，不管是做业务预估还是风险研判，都更有参考价值。

三大权威评测，全部拿下第一

为了验证模型性能，谷歌团队在三套全球公认的权威时序预测评测数据集上做了完整测试，分别是GIFT-Eval、fev-bench和TIME-leaderboard，涵盖100多个场景。

测试结果非常亮眼，TimesFM-3在单点精准预测和概率预测两大核心指标上，全部拿下同期所有预训练模型的第一名。

这次评测的对比对象，包含了市面上主流的多款顶尖时序模型，比如Chronos-2、Toto 2.0系列，还有谷歌自家的前代TimesFM-2.5。

而且还有一个很亮眼的细节优势，就算关闭多变量功能，只用基础的单变量模式运行，它的效果也能持平甚至超越其他同类模型。

一旦开启完整的多变量能力，模型性能会再次跃升，全方位碾压竞品。

也就是说，不管是简单的单数据预测场景，还是复杂的多关联变量业务场景，TimesFM-3都能做到当前行业最优水平。

AI 实操交流群找一群同路小伙伴一起进步

企业、高校及渠道合作