TimesFM-3一次预测多条序列：公开权重却不能直接商用

2026年8月31日，Google Research发布TimesFM-3，把TimesFM从原生单变量预测扩展到多变量零样本预测。Google Research的发布说明 显示，模型拥有3.3亿参数，以包含真实和合成序列、超过1万亿个时间点的语料预训练，能够联合预测多个目标，并在一次前向计算中生成完整预测区间。

同日，Google公开了代码和可下载权重，但这并不等于企业已经获得部署许可。专业站点 TSFM.ai的技术分析 核对了多目标、协变量和整段并行解码等变化，同时指出基准证据仍来自发布材料中的汇总图表，公开检查点受非商业、非生产许可约束。

多个目标与协变量进入同一个预测问题

TimesFM-3的核心变化并非简单接受更多数据列，而是原生区分三类输入。目标序列是需要预测的对象；仅历史可见的协变量只能提供预测起点以前的信息；过去和未来均已知的动态协变量则可以覆盖预测区间，例如已经确定的节假日或促销安排。

在一个需求预测任务中，多种商品的销量可以作为共同变化的目标，已经发生的客流属于历史协变量，事先确定的促销日历属于未来已知协变量。模型可以同时为多个目标生成点预测和分位数预测，无须针对该任务重新训练；这里的“零样本”只表示不做任务专属训练，并不保证新增变量一定提高准确率。

模型把连续序列切分为每段32个时间步的补丁，再以二维结构处理时间和变量。因果时间注意力沿每条序列读取过去，完整变量注意力在同一时间位置连接不同目标与协变量；未来未知的目标值和仅历史可见的变量仍被遮蔽，避免把预测期答案泄漏给模型。

一次前向计算同时填充整个未来区间

此前版本按补丁逐步生成未来值，预测区间越长，所需迭代越多，早期预测还可能进入后续步骤。TimesFM-3改用非自回归解码：模型先为整个未来区间加入被遮蔽的占位补丁，再同时填充全部目标，而不是把前一个预测补丁继续作为生成条件。

因此，标题中的“一次预测多条序列”包含两个相互关联的变化：一次推理可以联合处理多个目标，也可以一次生成完整预测区间。每个目标在每个未来时间步还会输出第10至第90百分位的九个分位数，并提供点预测，用于表达不同可能范围。

这种结构提供了利用跨序列关系的能力，却不等于任何多变量输入都会带来收益。如果变量之间的关系很弱、随时间改变，或者所谓未来协变量在实际预测时尚不可得，联合模式仍可能失效。发布确认的是模型具备原生多变量能力，而非所有业务任务都会自动获得精度提升。

平均排名领先，任务级差异仍未公开

发布方在GIFT-Eval、FEV-Bench和TIME三套公开评测上比较了TimesFM-3，并报告其完整多变量模式在点预测与概率预测指标中取得参评预训练基础模型的最佳平均排名。公开图表还区分了单变量模式与多变量模式，后者在能够使用跨序列信息和协变量时获得更好的汇总位置。

这一结果的证据边界很明确：图表呈现的是跨任务平均排名，排名越低代表总体位置越靠前，但没有同时提供完整任务级分数、差异幅度和针对架构变化的消融结果。平均排名第一无法说明优势是否均匀存在于多数数据集，也无法推导某个企业数据集会改善多少。

更准确的结论是，发布方报告TimesFM-3在三套评测的汇总排名领先。在外部团队用公开检查点和一致的评测条件完成复现以前，把它描述为所有多变量任务上的确定胜者仍然证据不足；尤其是涉及未来协变量的测试，还必须确保评测输入在真实预测时点确实已经可用。

公开权重的许可划出生产边界

企业当前面对的直接限制来自权重许可。Google托管的 TimesFM非商业许可 把允许用途限定为不关联商业收益、生产部署或收入生成的测试、评估与研究，并排除商业决策、客户交付、付费产品以及与终端用户或生产系统的直接或间接交互。

许可还规定，商业或生产活动需要另行取得Google可能授予的商业许可，相关授权也可能涉及费用或收入分成。限制同样覆盖基于模型创建的衍生版本；因此，即使检查点能够下载和本地运行，企业也不能据此把它接入商业预测服务。

这次发布可以归纳为四个不同层面的状态：

• 输入：支持一个或多个目标、仅历史可见的协变量，以及预测期内已经知道的动态协变量。
• 输出：一次前向计算覆盖完整预测区间，为多个目标生成点预测和九个分位数。
• 证据：发布方报告三套公开基准的平均排名领先，任务级明细和发布后的独立复现仍然不足。
• 部署：公开检查点可在许可允许的研究、测试与评估范围内使用，不能直接投入商业生产。

目前，TimesFM-3已经是可以下载并评估的技术模型，但不是凭公开权重即可上线的商业产品。后续需要明确的是可用商业授权或服务渠道，以及外部复现能否支持发布方报告的基准优势。