TimesFM-3 presenta un modelo base zero-shot para pronóstico de series temporales multivariantes, que soporta múltiples objetivos, covariables pasadas y dinámicas, y predicción conjunta de series coevolutivas. Con 330 millones de parámetros preentrenados en más de 1 billón de puntos temporales, supera a modelos univariantes previos en benchmarks de retail, finanzas, salud y otros dominios. El transformer solo decodificador usa tokenización basada en parches, normalización por serie y una arquitectura de atención alterna que combina atención temporal causal con atención completa de variables. Esto permite una decodificación no autoregresiva de un solo paso, mejorando eficiencia y precisión mientras maneja escenarios reales complejos como pronosticar ventas de helado con datos auxiliares como promociones y clima. TimesFM-3 marca un cambio de pronóstico estrictamente univariante a nativamente multivariante, expandiendo aplicabilidad y adopción en entornos de producción.

Innovaciones clave incluyen soporte para múltiples objetivos (pronósticos puntuales y cuantilicos), incorporación de covariables pasadas y futuras mediante estrategia de token de anticipación, y una cuadrícula de atención 2D que captura dinámicas temporales y correlaciones cruzadas entre series. Al procesar parches de 32 pasos temporales y usar técnica de enmascaramiento de parches contiguos, el modelo logra generalización zero-shot sin fine-tuning específico de tarea, entregando rendimiento state-of-the-art en benchmarks principales de pronóstico.

El lanzamiento se basa en el éxito de Times FM y Times FM-2.5, extendiendo la línea de modelos base de series temporales de Google AI para abordar la naturaleza inherentemente multivariante de problemas de pronóstico reales. Este avance acelerará adopción en industrias diversas, desde retail y finanzas hasta manufactura y ciencias naturales.

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