TimesFM 3.0
谷歌研究院推出的时间序列预测基础模型，基于仅解码器Transformer，支持零样本预测和协变量端到端建模。
时间轴 (近 90 天)
在纽约地铁数据上，TimesFM 3.0 的置信区间偏窄，上生产前应通过回测检查实际值落在区间内的频率是否符合预期。
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。
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 3.0 是一个仅解码器（decoder-only）的 Transformer，完全在时间序列数据上训练，支持零样本预测。
TimesFM 3.0 将协变量处理内置于 Transformer 内部，通过注意力机制让每个 token 直接看到未来协变量输入，并一次性生成整个预测窗口以提升推理速度。
谷歌在论文中声称 TimesFM 3.0 在三个公开预测基准上排名基础模型第一。
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%。
TimesFM 3.0 的下载权重为非商用许可，商用需通过 BigQuery ML。
据 Google 称，TimesFM 3.0 在 fev-bench、TIME 和 GIFT-Eval 基准上领先。
还有 1 条时间轴事件
全部知识事实 (11)
在纽约地铁数据上，TimesFM 3.0 的置信区间偏窄，上生产前应通过回测检查实际值落在区间内的频率是否符合预期。
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 3.0 是一个仅解码器（decoder-only）的 Transformer，完全在时间序列数据上训练，支持零样本预测。
50%待验证TimesFM 3.0 将协变量处理内置于 Transformer 内部，通过注意力机制让每个 token 直接看到未来协变量输入，并一次性生成整个预测窗口以提升推理速度。
50%待验证谷歌在论文中声称 TimesFM 3.0 在三个公开预测基准上排名基础模型第一。
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TimesFM 3.0 的下载权重为非商用许可，商用需通过 BigQuery ML。
50%待验证据 Google 称，TimesFM 3.0 在 fev-bench、TIME 和 GIFT-Eval 基准上领先。
50%待验证TimesFM 3.0是专门做时间序列预测的基础模型，具备零样本预测能力
50%