一句话看懂：Google Research 发布时序预测模型 TimesFM-3，能同时利用历史销量、天气、折扣排期等多路数据，一次性输出未来预测，并在三个公开基准上拿下预训练预测模型第一。它的意义在于把”多变量联合预测”做成了零样本可用的开源模型。
事件核心：发生了什么
Google Research 推出 TimesFM-3，定位是处理时间序列的预测基础模型。相比 2025 年 9 月发布的 TimesFM-2.5 只能处理单一数据序列，新版本支持多变量：可以同时预测多个相关指标（例如不同口味的冰淇淋销量），引入仅存在于历史中的变量（例如过往客流），以及已知的未来事件（例如计划中的折扣、天气预报）。
模型规模为 3.3 亿参数，训练数据包含真实与合成时间序列，总量超过 1 万亿个数据点。技术上有两个关键改动：其一，把连续 32 个数据点打包成一个 patch 并做统一归一化，让量级差异很大的指标可以横向比较；其二，沿时间轴和跨序列两个方向交替处理，前者只用历史值以避免未来信息泄露，后者学习同一时刻各变量之间的关系。输出上，每个时间步给出 9 个值来表达预测区间和不确定性，而不是单一数值。
推理方式从”逐块预测”改为”一次性填空”：把未来时间步全部标记为空白，单次前向填充完成，减少误差逐步累积的问题。在 Gift-Eval、FEV-Bench、Time 三个基准上，Google 称 TimesFM-3 在点精度和不确定性校准两项均排名第一，竞争对手包括 Amazon 的 Chronos-2 和 Toto-2.0 系列。模型已在 GitHub 和 Hugging Face 开放，Google 计划未来数周内接入 BigQuery。
为什么重要
时序预测长期是”一场景一模型”的生意：零售、金融、制造、医疗各有各的专用方案，迁移成本高。TimesFM 系列从 2024 年推出后已进入这些行业，而 TimesFM-3 把多变量支持补齐，意味着同一个零样本模型可以处理更接近真实业务的预测任务——真实世界的销量从来不是孤立变量决定的。
竞争层面，这延续了基础模型向垂直任务渗透的路线：Amazon 用 Chronos 系列卡位，Google 用 TimesFM 应对，双方都在争夺企业数据管道的入口。BigQuery 的接入计划尤其关键，它把模型直接放进企业已有的数据仓库工作流，而不是让客户单独搭一套推理服务。
对用户/开发者/创作者的影响
开发者的直接变化是：不用为每个预测任务重新训练模型，零样本即可上手，多变量输入让特征工程的部分工作转移到模型内部。对已使用 BigQuery 的团队，如果 TimesFM-3 如期上线，现有 AI.FORECAST 命令的使用方式可能扩展，需关注接口是否兼容旧版单变量调用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
企业侧的想象空间集中在零售和供应链：促销排期、天气预报这类”已知未来事件”可以直接作为输入，而不必在模型外手工修正。目前公开信息显示，模型输出的 9 个分位值可用于库存安全边际和风险定价，但落地效果仍取决于各行业数据的质量和粒度。
值得关注的后续
一是 BigQuery 集成的具体形态：是否提供与 TimesFM-2.5 并行的调用方式，定价和配额如何设定。二是多变量输入在真实业务中的表现，基准分数高不等于脏数据场景下同样稳健。三是竞品跟进节奏，Chronos-2 在单变量模式下已接近 TimesFM-3，Amazon 是否会很快补齐多变量能力。
