TimesFM-3 kort fortalt
MarkTechPost skriver, at Google Research har offentliggjort TimesFM-3, en tidsserie‑foundation‑model med 330 millioner parametre, som kan forudsige flere relaterede serier i én kørsel. Den beskrives som nativt multivariat og prætrænet på mere end 1 trillion tidssteg på tværs af real‑ og synthetic‑serier. Der fremhæves også, at den kan anvendes i en zero‑shot opsætning uden opgave‑specifik finetuning (MarkTechPost, med henvisning til Googles blogindlæg research.google).
MarkTechPost gengiver også, at tidligere TimesFM‑checkpoints til og med version 2.5 var univariate, mens TimesFM‑3 ifølge kilderne er den første i serien, der er prætrænet direkte til multivariat forecasting. Det er her, generationsskiftet ligger ifølge den opsamlende artikel.
Arkitektur og input ifølge kilderne
Ifølge MarkTechPost (med reference til Googles blog) bygger TimesFM‑3 på en decoder‑only transformer. Inddata grupperes i patches af 32 sammenhængende tidssteg og normaliseres per serie. Opmærksomheden beskrives med to spor: kausal temporal attention langs tiden og fuld variate attention på tværs af serier i samme tidssnit. Formålet er, at tidsretningen respekteres, samtidig med at modellen kan lære krydssignaler mellem serier.
Artiklen fremhæver tre zero‑shot inputtyper: flere målserier (multiple targets), historiske kovariater (kun fortidsværdier) samt past‑future kovariater, hvor fremtidige værdier er kendt. For sidstnævnte beskrives et lookahead‑greb, hvor nuværende patch kobles til fremtidige patches, så modellen kan se kendte fremtidige kovariater uden at bryde kausaliteten for målvariablerne. Ifølge samme kilde kan modellen levere både punktforudsigelser og kvantil‑output pr. målserie.
Træningsdata og prætræning
MarkTechPost angiver, at modellen er prætrænet på mere end 1 trillion tidssteg fordelt på real‑ og synthetic‑serier. Fordelingen mellem de to datatyper er ikke oplyst i de citerede kilder. Oplysningerne om multivariat prætræning, modelstørrelse og zero‑shot understøttelse af de tre inputtyper stammer fra samme dækning med reference til Googles blog.
Det centrale budskab i kilderne er, at prætræningen er målrettet multivariate opsætninger, sådan at flere relaterede serier kan udnyttes i samme modelkørsel uden særskilt finetuning.
Benchmarks som rapporteret
MarkTechPost skriver, med henvisning til Googles rapportering, at TimesFM‑3 opnår den bedste gennemsnitlige rang blandt prætrænede foundation‑modeller på GIFT‑Eval, fev‑bench og TIME‑leaderboardet, både på punkt‑ og probabilistiske metrikker. De konkrete scorer og komplette tabeller er ikke gengivet i den opsamlende tekst. Læsere, der vil verificere placeringerne, må derfor slå op i Googles blogindlæg og de nævnte leaderboards for tal og metodiske detaljer.
Da de specifikke scores ikke indgår i de citerede kilder her, gengives benchmark‑påstanden som rapporteret af Google via MarkTechPost, med forbehold for uafhængig verifikation.
Licensforhold for kode og vægte
Ifølge MarkTechPost er TimesFM‑koden udgivet under Apache‑2.0, mens TimesFM‑3‑vægtene distribueres under “timesfm‑non‑commercial‑license‑v1.0”. MarkTechPost beskriver vægtenes licens som begrænset til ikke‑kommerciel, ikke‑produktions brug. Den fulde licenstekst og eventuelle detaljer om vilkår er ikke citeret i de gennemgåede kilder; læsere henvises derfor til Googles officielle ressourcer for endelig afklaring.
MarkTechPost sammenfatter praktikken således: man kan benchmarke nu, men ikke udstille modellen bag et produktions‑API uden særskilt aftale. Information om konkret download‑procedure for vægte (fx direkte link eller krav om signup) fremgår ikke af den opsamlende artikel og kan derfor ikke bekræftes her.
Hvad er nyt i forhold til tidligere TimesFM
MarkTechPost pointerer forskellen mellem generationerne sådan: Alle TimesFM‑checkpoints til og med 2.5 var univariate og forudså én serie ud fra egen historik, mens TimesFM‑3 er prætrænet nativt til multivariat forecasting. Ifølge den opsamlende artikel er det et funktionelt skift, som muliggør udnyttelse af relaterede serier i én kørsel.
Det fremgår også, at modelstørrelsen for TimesFM‑3 er 330M parametre, og at multivariat prætræning sker på et meget stort antal tidssteg. Disse oplysninger er eksplicit nævnt i den citerede dækning.
Detaljer om tokenisering og opmærksomhed
Patch‑størrelsen på 32 og per‑serie‑normalisering er nævnt direkte hos MarkTechPost. Ligeledes beskrives de to opmærksomhedsspor: kausal langs tiden og fuld på tværs af serier. Kombinationen forklares som afgørende for, at modellen både respekterer tidsretningen og kan lære sammenhænge mellem serier i samtidige tidssnit.
MarkTechPost beskriver også lookahead‑metoden for past‑future kovariater, hvor nuværende og fremtidige patches sættes sammen, så kendt fremtidig kovariatinformation er synlig for modellen uden at afsløre fremtidige målværdier.
Om output og kvantiler
Ifølge MarkTechPost kan TimesFM‑3 levere både punktforudsigelser og kvantilbaserede prognoser for hver målserie. Antal eller standard‑opsætning af kvantiler er ikke specificeret i de kilder, der er gennemgået her, og kan derfor ikke uddybes yderligere.
Funktionen nævnes som del af modellens profil, sådan som den opsummeres med reference til Googles materiale.
Placering i aktuel brug af TSFM’er
Brug af tidsserie‑foundation‑modeller i produktion er dokumenteret andre steder. Et offentligt tilgængeligt eksempel er Decathlon, der ifølge et indlæg på AWS’ officielle blog har evalueret flere TSFM’er og valgt Chronos‑2 som en central komponent i deres demand‑forecasting‑stack (AWS Machine Learning Blog). Eksemplet vedrører ikke TimesFM‑3, men illustrerer, at produktionsbrug af TSFM’er er beskrevet i branchen.
Dette eksempel bruges her som dokumentation for, at kategorien er i anvendelse, uafhængigt af Googles model.
Hvad læsere kan verificere nu
Følgende udsagn kan spores direkte hos MarkTechPost med henvisning til Googles blog: at TimesFM‑3 har 330M parametre; at den er nativt multivariat og prætrænet på >1 trillion tidssteg (real og synthetic, uden oplyst fordeling); at tre inputtyper virker zero‑shot; at arkitekturen er decoder‑only med patch‑tokenisering og todelt attention; at output kan være både punkt og kvantiler; at koden omtales som Apache‑2.0, mens vægtene udgives under en navngiven ikke‑kommerciel licens; samt at Google/MarkTechPost rapporterer topplaceringer i gennemsnitlig rang på GIFT‑Eval, fev‑bench og TIME.
De konkrete benchmark‑tabeller, den fulde licenstekst og eventuelle download‑instruktioner for vægte indgår ikke i den opsamlende artikel. For verifikation henvises derfor til Googles blogindlæg og eventuelle officielle ressourcer, herunder de nævnte leaderboards, når de er tilgængelige via de primære links.
