单靠历史数据预测未来，从来都不够用。谷歌最新发布的 TimesFM-3，把天气、促销、节假日等外部信号一并纳入预测，在三大主流基准上全面登顶。

大家都知道，预测销量从来不是一件简单的事。冰淇淋卖得好不好，不只取决于去年同期的数字——天气会影响，促销活动会影响，门店客流量会影响，甚至旁边货架上冰淇淋蛋筒的销售情况也会影响。

然而过去的时序预测模型，大多只盯着一条时间线：用历史销售额预测未来销售额。这种方法叫做单变量预测，简单，但粗糙。

谷歌研究院正式发布 TimesFM-3，一个专为多变量预测原生训练的时序基础大模型，在全球主流预测基准上拿下第一名，并且开源供所有人使用。

• 3.3亿 
  参数量
• 1万亿+ 
  预训练时间点数
• 3/3 
  主流基准排名第一

从单变量到多变量，到底跨越了什么？

理解这次升级的意义，先要理解这两个概念的差距。

单变量预测：只看一条时间序列的历史，来预测它的未来。比如只看过去 12 个月的销售额，预测下个月的销售额。

多变量预测：同时考虑多条时间序列以及外部因素，综合判断。比如在预测冰淇淋销量时，同时把天气预报、计划中的促销活动、门店历史客流、相关品类的销售趋势都纳进来。

谷歌团队用了一个生动的例子：用单变量模型预测冰淇淋促销日的销量，模型对促销一无所知，预测几乎是一条平稳的曲线。而 TimesFM-3 把未来的促销计划作为输入后，会在每个促销日自动预测出约 20% 的销量增幅，与实际情况高度吻合。

这不只是精度的提升，而是预测模式的根本转变——让模型真正理解"外部世界发生了什么"。

TimesFM-3 原生支持三类数据输入，对应现实中最常见的场景：

• 多目标同步预测：同时预测多条相关时间序列，例如同时预测多个冰淇淋品牌的未来销量，支持点预测和分位数概率预测。
• 历史协变量：将只有历史数据的变量纳入参考，例如过去的门店客流量，从中学习其与目标序列的关联模式。
• 动态协变量：利用未来已知的信息指导预测，例如已确定的促销日期、节假日安排、天气预报等。
• 概率区间输出：同时输出第 10 至第 90 百分位共 9 个分位数，呈现完整的预测不确定性分布。

TimesFM-3 在前代的 Transformer 解码器架构上做了两项关键创新：

双向注意力机制

模型内部的 Transformer 层以一种"棋盘交替"的方式工作：

因果时间注意力（横向）：在同一条序列的时间轴上，每个时刻只能看到过去，不能看到未来。这保证了数据不会泄露，预测严格符合因果逻辑。

全变量注意力（纵向）：在同一个时间步，模型可以同时"看"所有序列，学习它们之间的相互关系——比如促销活动如何带动相关品类的联动变化。

两种注意力机制交替叠加多层，最终让模型既能捕捉时间规律，也能理解跨序列的依赖关系。

一次推理，生成完整预测

技术亮点

前代 TimesFM 每次只预测一个 patch（32 个时间步），需要循环多次才能覆盖完整预测区间，累积误差大、推理慢。TimesFM-3 引入连续 Patch 掩码（Contiguous Patch Masking）策略，将整个预测区间的 token 一并输入，单次前向传播即可输出所有时间步的预测结果——速度更快，误差不再累积。

谷歌团队在 Gift-Eval、FEV-Bench、TIME 三个全球主流预测基准上对 TimesFM-3 进行了系统评估，与 Chronos-2、Toto 2.0 系列等近期多变量基础模型进行了对比。

结果显示：

• TimesFM-3（多变量模式）排名第 1
• TimesFM-3（单变量模式）排名第 2
• Chronos-2 / Toto 2.0 等 落后明显

值得注意的是，即便在单变量模式下（不使用任何协变量信息），TimesFM-3 已经能够匹敌甚至超越其他模型的最佳成绩。开启多变量模式后，性能再上一个台阶。这说明新架构本身的基础建模能力就已经达到了新的高度。即使不输入任何外部信号，TimesFM-3 也能打赢大多数对手。

时序预测的需求遍布每一个行业：

• 零售与快消：结合促销计划、季节、天气，精准预测 SKU 级别的销量，减少库存积压和缺货。
• 金融与风控：将宏观指标、事件信号与标的历史联合建模，提升资产价格和风险的预测质量。
• 能源与制造：将设备运行参数、天气、生产计划整合预测，优化调度和预防性维护。
• 医疗与公卫：综合患者历史、季节因素、地区事件，预测就诊量和资源需求，支持运营决策。

更重要的是，TimesFM-3 是零样本（zero-shot）模型——这意味着你不需要针对自己的业务场景重新训练，直接调用即可获得高质量预测。对于中小团队来说，这大幅降低了使用门槛。

TimesFM-3 目前已在 GitHub 和 Hugging Face 上完全开源：

谷歌还计划在未来几周内将 TimesFM-3 集成进 BigQuery，届时可以通过 AI.FORECAST 命令直接在数据仓库中调用，无需任何机器学习背景。

TimesFM-3 的发布，标志着时序基础大模型正式跨越了一道长期存在的边界：从"只看自己"到"感知环境"。

过去，时序预测领域一直在追赶 NLP 和视觉领域的基础模型浪潮——后两者早已拥有可以跨任务泛化的大模型。现在，时序预测终于也有了一个能够理解多变量关系、在陌生场景零样本推理、并在多个权威基准上登顶的基础模型。

对于业务团队来说，这意味着一件事：你的预测，可以变得更准，而成本可以更低。