Google Research 时序预测模型：丢历史曲线直接出未来预测+置信区间，1.3GB 零样本免训练，注意非商用许可
TimesFM 3.0：Google 的时间序列"续画器"
LLM 读一段文字能续写后面的文字；TimesFM 读一段数字曲线能续画后面的曲线。销量、流量、用电量、磁盘占用——任何按时间排列的数值序列，丢给它历史数据，直接出未来预测，零样本、不用训练。
差异化卖点
- 开箱即用的预测闭环：不需要标注数据、不需要训练、不需要调参。喂历史 → 出预测点值 + 置信区间（分位数），可以直接接进"监控 → 预测 → 提前告警"的自动化链路
- 小到随便跑：约 1.3GB 权重，20 层 Transformer，CPU 都能推理，树莓派级的设备也带得动
- 零样本泛化：预训练用了 GIFT-Eval 预训练集 + 维基百科访问量 + Google 搜索趋势 + 合成数据，没见过你的业务数据也能给出像样的基线预测
- Google Research 出品，3.0 是 2026-08 最新一代，HF 月下载 12 万+，时序预测领域最热的开源模型之一
硬参数
| 项目 | 规格 |
|---|---|
| 架构 | Stacked Mixing Transformer + Variate Attention + CPM Iterative RevIN |
| 规模 | 20 层，model dim 1280，16 heads，约 1.3GB（PyTorch） |
| 上下文 patch | 32，预测 horizon patch 64 |
| 输出 | 点预测 + 分位数区间（中位数在 index 4） |
| 协议 | ⚠️ 非商用许可（TimesFM Non-Commercial License v1.0） |
适合的甜区
- 有趋势和周期的数据：销量周末效应、用电量昼夜周期、磁盘增长曲线、服务器流量
- "NAS 磁盘还能撑几个月""下季度备多少货"这类问题的快速基线答案
两个实话
- 只认曲线自身的历史，不知道"明天是双十一"这类外部事件——突发事件驱动的序列预测会失真
- 股价别指望：金融序列接近随机游走，它的预测约等于"延续近期走势"，没有超额收益
- 商用要授权：license 明确非商用，商业场景看亚马逊 Chronos 系列（Apache-2.0）替代
上手
from huggingface_hub import snapshot_download
snapshot_download('google/timesfm-3.0-pytorch')
# 官方推理代码见 GitHub: google-research/timesfm
暂无评论