Google Research predstavilo TimesFM-3 pre multivariačné forecasting úlohy a sprístupnilo ho na GitHub a Hugging Face

Čo sa zmenilo

Google Research 31. augusta 2026 zverejnilo TimesFM-3, novú verziu svojej rodiny foundation modelov pre časové rady. Podľa zdroja ide o prvý model tejto línie, ktorý je natívne predtrénovaný na multivariačné forecastovanie; predchádzajúci TimesFM-2.5 bol podľa rovnakého zdroja obmedzený na univariačné úlohy. 1

Pre prax je to dôležitá zmena najmä tam, kde budúci vývoj nezávisí len od jednej historickej série. Zdroj uvádza príklady retailu, financií, observability, výroby, zdravotníctva a prírodných vied a vysvetľuje, že do predikcie možno zahrnúť viac súvisiacich radov aj externé signály, napríklad plánované promo akcie, sviatky alebo predpoveď počasia. To nie je samostatne nezávisle overené nasadenie, ale doložený zamýšľaný spôsob použitia modelu podľa autora. 1

Ako model funguje

TimesFM-3 má podľa Google Research 330 miliónov parametrov a bol predtrénovaný na korpuse reálnych aj syntetických časových radov s viac než 1 biliónom časových bodov. Architektonicky nadväzuje na decoder-only transformer, pričom dáta spracúva v patchoch po 32 časových krokoch a normalizuje ich po jednotlivých časových radoch. 1

Podstatná novinka je v tom, ako skladá vstupy a pozornosť v modeli. Zdroj rozlišuje tri typy vstupov: viac cieľových radov naraz, minulé kovariáty a tzv. past-future kovariáty, teda signály známe aj do budúcnosti. Pri týchto budúcich kovariátoch model používa „lookahead“ stratégiu, v ktorej token obsahuje aktuálny patch aj budúce patche známych signálov. Následne sa v transformeri strieda kauzálna časová attention v rámci série a plná attention naprieč sériami v tom istom časovom kroku. Takto model kombinuje časové vzory s väzbami medzi radmi. 1

Praktický význam jednopriechodového dekódovania

Predchádzajúce verzie podľa zdroja generovali forecast po patchoch postupne. TimesFM-3 namiesto toho používa contiguous patch masking a vypočíta celú horizontu jedným forward passom. Praktický význam, ktorý zdroj explicitne uvádza, je nižšia latencia a odstránenie iteratívnej slučky, ktorá v staršom prístupe prinášala akumuláciu chýb a dodatočné výpočtové náklady. 1

Model podľa zdroja vracia pre každý cieľový rad aj probabilistický výstup: predikuje 9 kvantilov od 10. po 90. percentil na každom kroku horizonty. To je užitočné pre úlohy, kde nestačí jediná bodová predikcia a tím potrebuje pracovať aj s neistotou odhadu. 1

Čo je doložené a čo zatiaľ nie

Google Research uvádza vyhodnotenie na benchmarkoch Gift-Eval, FEV-Bench a Time a tvrdí, že TimesFM-3 je na nich najvyššie hodnotený medzi predtrénovanými foundation modelmi pri bodových aj probabilistických metrikách; zachytený text však neobsahuje úplné numerické tabuľky ani nezávislé overenie týchto výsledkov. Preto je vhodné brať benchmarkové prvenstvo ako tvrdenie pôvodcu, nie ako externe potvrdený fakt. 1

Doložená je aj dostupnosť modelu na GitHub a Hugging Face. Naopak, integrácia do BigQuery v čase zdroja ešte nebola hotová; blog ju označuje iba ako plán „v najbližších týždňoch“. Pre používateľov to znamená, že prakticky využiteľná je publikovaná open-source distribúcia, nie zatiaľ budúca integrácia do BigQuery. 1