Google Research刚刚放出了一个新模型，叫TimesFM-3。它的任务很直接：从一堆历史数据里，帮你算出未来会发生什么。比如下个月的冰淇淋销量、未来几天的服务器负载，甚至天气变化。
这个模型最特别的地方在于，它不需要你额外训练。拿到你的数据，直接就能用。Google的说法是，它已经用超过1万亿个数据点提前学过了各种变化模式，所以面对新数据时，可以做到“零样本预测”。
为什么单看历史数据不够用？
传统的时序预测，逻辑很简单：看过去几个月的数字，推测下个月的数字。但现实世界没那么听话。冰淇淋的销量，不光取决于上个月卖了多少，还跟气温、客流量、有没有促销活动直接相关。
只看一条曲线，很容易预测跑偏。TimesFM-3这次升级的核心，就是解决这个问题。它不再只看单一数据，而是能同时处理多条数据线，做“多变量预测”。你把过去的销量、客流、天气预报、活动安排一起丢给它，它会自己琢磨这些数据之间的关系，再给出一个综合判断。
一个冰淇淋预测的直观例子
Google在官方博客里放了一个很直观的例子。同样是预测冰淇淋销量，红色线是只基于历史销量的预测，蓝色线是TimesFM-3综合了活动安排后的预测。图中橙色区域标出了促销活动的日期。
模型从过往数据里发现了一个规律：搞促销的那几天，销量总会明显上涨。于是，当它看到未来日历上又排了促销活动时，就自动把预测值调高了——预计销量会增加约20%。这个细节，单看历史销量曲线是永远看不出来的。
参数规模与速度优化
支撑这个能力的是一个约3.3亿参数（330M）的模型。训练数据混合了真实世界的数据和人工合成的数据，总量超过1万亿个数据点。这个体量，让模型见过足够多的“涨跌起伏”模式。
除了预测能力，Google还优化了预测速度。之前的版本预测未来数值时，是一个点一个点往后推，速度慢，而且误差会随着预测步数增加而累积。TimesFM-3换了个思路：把要预测的那段时间的数值，一次性算出来。Google表示，这样既缩短了处理时间，也避免了重复预测带来的误差叠加问题。
三个公开测试里的排名表现
为了验证效果，Google在三个公开基准上做了测试：GIFT-Eval、FEV-Bench和TIME。评估分两个维度：只看预测值准不准的“点预测”，以及连预测范围一起评估的“概率预测”。
Google公布的结果显示，在对比的多个预训练时序预测模型中，TimesFM-3在“点预测”和“概率预测”两个维度上的平均排名都是第一。在GIFT-Eval的图表里，代表TimesFM-3的橙色点，无论是多变量模式（带星标）还是单变量模式，都稳稳落在图表左下角——那是成绩更好的位置。FEV-Bench和TIME的结果也类似，多变量模式的表现尤其突出。
开源了，但商用有限制
目前，TimesFM-3的代码已经放到了GitHub和Hugging Face上，源代码采用Apache License 2.0协议。不过要注意，预训练模型本身用的是另一个非商用许可——也就是说，你可以拿来研究、做实验，但不能直接用在商业项目或生产环境里。
Google还透露了一个计划：未来几周内，会把TimesFM-3整合进自家的数据分析服务BigQuery里。到时候，企业用户可能直接在BigQuery里就能调用这个预测能力，不用自己搭环境。
对于做数据分析、搞运营预测的人来说，这个工具值得关注。毕竟，能同时考虑多种因素、又不用自己训练模型的预测AI，目前市面上确实不多见。
热门跟贴