O TimesFM-3 apresenta um modelo base zero-shot para previsão de séries temporais multivariadas, suportando múltiplos alvos, covariáveis passadas e dinâmicas, e previsão conjunta de séries coevolutivas. Com 330 milhões de parâmetros pré-treinados em mais de 1 trilhão de pontos temporais, supera modelos univariados anteriores em benchmarks de varejo, finanças, saúde e outros domínios. O transformer apenas decodificador usa tokenização baseada em patches, normalização por série e uma arquitetura de atenção alternada que combina atenção temporal causal com atenção completa de variáveis. Isso permite uma decodificação não-autoregressiva em única passagem, melhorando eficiência e precisão enquanto lida com cenários reais complexos como prever vendas de sorvete com dados auxiliares como promoções e clima. O TimesFM-3 marca uma mudança de previsão estritamente univariada para nativamente multivariada, expandindo aplicabilidade e adoção em ambientes de produção.

Inovações-chave incluem suporte para múltiplos alvos (previsões pontuais e quantis), incorporação de covariáveis passadas e futuras via estratégia de token lookahead, e uma grade de atenção 2D que captura tanto dinâmicas temporais quanto correlações cruzadas entre séries. Ao processar patches de 32 passos temporais e usar técnica de mascaramento de patches contíguos, o modelo alcança generalização zero-shot sem fine-tuning específico de tarefa, entregando desempenho state-of-the-art nos principais benchmarks de previsão.

O lançamento baseia-se no sucesso do Times FM e Times FM-2.5, estendendo a linhagem de modelos base de séries temporais do Google AI para abordar a natureza inerentemente multivariada de problemas de previsão do mundo real. Espera-se que este avanço acelere a adoção em diversas indústrias, do varejo e finanças à manufatura e ciências naturais.

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