يقدم TimesFM-3 نموذجاً أساسياً بدون تدريب مسبق (zero-shot) للتنبؤ بالسلاسل الزمنية متعددة المتغيرات، يدعم أهدافاً متعددة، ومتغيرات تابعة سابقة وديناميكية، والتنبؤ المشترك بالسلاسل المتطورة معاً. مع 330 مليون معلمة مدربة مسبقاً على أكثر من تريليون نقطة زمنية، يتفوق على النماذج أحادية المتغير السابقة عبر معايير القياس في التجزئة، والتمويل، والرعاية الصحية، ومجالات أخرى. يستخدم محول فك التشفير فقط (decoder-only) ترميزاً قائماً على الرقع، وتطبيعاً لكل سلسلة، وبنية انتباه متناوبة تجمع بين الانتباه الزمني السببي وانتباه المتغيرات الكامل. هذا يمكّن من فك تشفير غير ذاتي الانحدار في تمريرة واحدة، مما يحسن الكفاءة والدقة أثناء التعامل مع سيناريوهات حقيقية معقدة مثل التنبؤ بمبيعات الآيس كريم مع بيانات مساعدة مثل العروض الترويجية والطقس. يمثل TimesFM-3 تحولاً من التنبؤ أحادي المتغير الصارم إلى التنبؤ متعدد المتغيرات الأصلي، مما يوسع قابلية التطبيق والتبني في بيئات الإنتاج.

تشمل الابتكارات الرئيسية دعم أهداف متعددة (تنبؤات نقطية وكمية)، ودمج المتغيرات التابعة السابقة والمستقبلية عبر استراتيجية رمز النظر للأمام، وشبكة انتباه ثنائية الأبعاد تلتقط كل من الديناميكيات الزمنية والارتباطات عبر السلاسل. من خلال معالجة رقع من 32 خطوة زمنية واستخدام تقنية إخفاء الرقع المتجاورة، يحقق النموذج تعميماً بدون تدريب مسبق دون ضبط دقيق خاص بالمهمة، مقدماً أداءً متطوراً على معايير التنبؤ الرئيسية.

يبني هذا الإصدار على نجاح Times FM و Times FM-2.5، ممتداً سلالة نماذج Google AI الأساسية للسلاسل الزمنية لمعالجة الطبيعة متعددة المتغيرات المتأصلة في مشاكل التنبؤ الواقعية. من المتوقع أن يسرع هذا التقدم التبني عبر صناعات متنوعة، من التجزئة والتمويل إلى التصنيع والعلوم الطبيعية.

330 million، 1 trillion، Times FM، Times FM‑2.5، Google AI