谷歌发布 TimesFM-3：原生多变量零样本时序预测基础模型
Google Research 发布 3.3 亿参数 TimesFM-3，原生支持多目标与协变量零样本预测，在 Gift-Eval、FEV-Bench、Time 等基准上居预训练基础模型前列，权重已上 GitHub 与 Hugging Face。
Google Research 8 月 31 日介绍 TimesFM-3：约 3.3 亿参数、在逾 1 万亿时间点语料上预训练的时序基础模型，首次原生面向多变量预测，可在单次前向中联合预测多条相关序列，并纳入历史协变量与已知未来协变量（如促销、天气）。
架构沿用解码器 Transformer，并交替做因果时间注意力与跨变量注意力；用 Contiguous Patch Masking 一次生成整段预测视界，每步输出 9 个分位数。公司称在 Gift-Eval、FEV-Bench、Time 三项公开基准上，点预测与概率预测的平均排名均居可比预训练基础模型之首；纯单变量模式也已具竞争力。
模型已在 GitHub 与 Hugging Face 发布，BigQuery 集成预计数周内上线。