TimesFM 2.5
谷歌研究院推出的时间序列预测模型，采用两阶段法处理协变量，逐块生成预测。
时间轴 (近 90 天)
在营销预算翻倍的 what-if 场景中，TimesFM 3.0 几乎无反应，2.5 预测收入大幅跳升；智能体信任 3.0 并推荐了方案A，但真实结果是方案B带来更多收入，三轮测试中智能体选错两轮。
TimesFM 2.5 采用两阶段法处理协变量：先在模型外部用回归拟合协变量影响，再让模型预测残差。
在纽约地铁每日客流量测试中，TimesFM 2.5 和 3.0 在零样本条件下将预测误差相对季节性基线降低了约 25%。
在纽约地铁数据上，TimesFM 2.5 对额外未来输入（如假日日历）的利用略好于 3.0，且不确定性区间更可靠；而 3.0 的推理速度要快好几倍。
在 Lumen 商业模拟中，TimesFM 3.0 在不到一秒内完成未来两个月的收入预测，偏差在 2% 以内；一个季度后回评，偏差仍在 6% 以内，且两个版本均未超出各自的不确定性区间。
TimesFM 2.5 版本约有 2 亿参数、20 层 transformer、模型宽度 1280 配 16 个注意力头，输入 patch 为 32 步，单次输出 128 步，最长上下文达 16384 个数据点。
TimesFM 2.5 权重以 safetensors 格式托管在 Hugging Face，大小为 925 MB。
社区项目 webTimesFM 将 TimesFM 2.5 完整运行在浏览器中，无需服务器、Python 或注册，数据不出本机。
TimesFM 2.5 版本发布时同时提供了 Flax（JAX）和 PyTorch 实现。
TimesFM 2.5 取消了频率设置，并通过 XReg 支持协变量。
全部知识事实 (10)
在营销预算翻倍的 what-if 场景中，TimesFM 3.0 几乎无反应，2.5 预测收入大幅跳升；智能体信任 3.0 并推荐了方案A，但真实结果是方案B带来更多收入，三轮测试中智能体选错两轮。
50%待验证TimesFM 2.5 采用两阶段法处理协变量：先在模型外部用回归拟合协变量影响，再让模型预测残差。
50%待验证在纽约地铁每日客流量测试中，TimesFM 2.5 和 3.0 在零样本条件下将预测误差相对季节性基线降低了约 25%。
50%待验证在纽约地铁数据上，TimesFM 2.5 对额外未来输入（如假日日历）的利用略好于 3.0，且不确定性区间更可靠；而 3.0 的推理速度要快好几倍。
50%待验证在 Lumen 商业模拟中，TimesFM 3.0 在不到一秒内完成未来两个月的收入预测，偏差在 2% 以内；一个季度后回评，偏差仍在 6% 以内，且两个版本均未超出各自的不确定性区间。
50%待验证TimesFM 2.5 版本约有 2 亿参数、20 层 transformer、模型宽度 1280 配 16 个注意力头，输入 patch 为 32 步，单次输出 128 步，最长上下文达 16384 个数据点。
50%待验证TimesFM 2.5 权重以 safetensors 格式托管在 Hugging Face，大小为 925 MB。
50%待验证社区项目 webTimesFM 将 TimesFM 2.5 完整运行在浏览器中，无需服务器、Python 或注册，数据不出本机。
50%待验证TimesFM 2.5 版本发布时同时提供了 Flax（JAX）和 PyTorch 实现。
50%待验证TimesFM 2.5 取消了频率设置，并通过 XReg 支持协变量。
50%