TimesFM-3 представляет нулевую-выстрел (zero-shot) фундаментальную модель для многовариантного прогнозирования временных рядов, поддерживающую множественные цели, прошлые и динамические ковариаты, а также совместное прогнозирование коэволюционирующих рядов. С 330 миллионами параметров, предобученными на более чем 1 триллионе временных точек, она превосходит предыдущие унивариантные модели по бенчмаркам в ритейле, финансах, здравоохранении и других доменах. Декодер-трансформер использует патч-базированную токенизацию, по-рядную нормализацию и чередующуюся архитектуру внимания, сочетающую причинно-следственное временное внимание с полным вариативным вниманием. Это позволяет однопроходную, не-авторегрессивную декодировку, повышая эффективность и точность при обработке сложных реальных сценариев, таких как прогнозирование продаж мороженого с вспомогательными данными вроде акций и погоды. TimesFM-3 отмечает переход от строго унивариантного к нативному многовариантному прогнозированию, расширяя применимость и внедрение в производственных средах.

Ключевые инновации включают поддержку множественных целей (точечные и квантильные прогнозы), включение прошлых и будущих ковариат через стратегию lookahead-токена, и 2D-сетку внимания, захватывающую как временную динамику, так и перекрестные корреляции между рядами. Обрабатывая патчи из 32 временных шагов и используя технику маскирования смежных патчей, модель достигает zero-shot генерализации без задачно-специфичной дообучения, доставляя state-of-the-art производительность на главных бенчмарках прогнозирования.

Релиз строится на успехе Times FM и Times FM-2.5, расширяя линейку фундаментальных моделей временных рядов Google AI для адресации инherentно многовариантной природы реальных проблем прогнозирования. Ожидается, что это достижение ускорит внедрение в разнообразных отраслях, от ритейла и финансов до производства и естественных наук.

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