Google's new AI model predicts the future from sales data, weather, and discount schedules

{ "title": "Google TimesFM-3: нейросеть предсказывает продажи по скидкам и погоде", "excerpt": "Google Research выпустила TimesFM-3 - модель на 330 млн параметров, которая прогнозирует временные ряды сразу по нескольким переменным и занимает первое место на трех крупных бенчмарках.", "content": "Прогнозирование - одна из тех задач, где разрыв между лабораторным результатом и реальной пользой всегда был огромным. Модели обучались на одном ряду данных, а бизнес живет в мире, где продажи мороженого зависят от погоды, акций конкурентов, трафика в магазине и десятка других факторов одновременно. Google Research закрывает этот разрыв с выходом TimesFM-3.\n\n## Что изменилось по сравнению с предыдущими версиями\n\nДо этого релиза вся линейка TimesFM работала строго в одномерном режиме: модель смотрела на один временной ряд и предсказывала его продолжение. TimesFM-2.5, вышедший в сентябре 2025 года, имел 200 млн параметров и поддерживал контекст до 16 тысяч шагов - это был хороший инструмент, но с фундаментальным ограничением.\n\nTimesFM-3 - это 330 млн параметров и принципиально другая архитектура. Модель обучена на корпусе из более триллиона точек реальных и синтетических временных рядов и работает в zero-shot режиме без дообучения под конкретную задачу.\n\nАрхитектура строится на декодер-трансформере, но добавляет двухмерный механизм внимания. По оси времени - причинное (causal) внимание, которое смотрит только назад, чтобы не допустить утечки будущего. По оси переменных - полное внимание между всеми рядами в одной точке времени. Эти два механизма чередуются послойно, и модель одновременно улавливает паттерны внутри ряда и зависимости между рядами. Данные группируются в патчи по 32 последовательных точки, что дает эффективное сжатие без потери структуры.\n\n## Три типа входных данных\n\nGlавное практическое отличие - поддержка трех категорий входных переменных.\n\nПервая: несколько целевых рядов одновременно. Например, продажи разных брендов мороженого прогнозируются совместно, и модель учитывает, как спрос на один продукт влияет на другой.\n\nВторая: ковариаты прошлого. Исторический трафик в магазине, данные о погоде за прошлые периоды - все, что известно только ретроспективно.\n\nТретья: ковариаты, известные наперед. Расписание акций, запланированные праздники, прогноз погоды на следующую неделю. Для таких данных модель использует стратегию "заглядывания вперед" - токен текущего патча конкатенируется с будущими патчами этой переменной.\n\nВместо одной точечной оценки модель выдает девять значений на каждый шаг - квантильные прогнозы, которые дают диапазон и меру неопределенности предсказания.\n\n## Как работает нелинейный прогноз на примере\n\nGoogle иллюстрирует разницу через задачу прогноза продаж мороженого. Модель без данных об акциях просто экстраполирует привычный недельный паттерн. Когда TimesFM-3 получает расписание скидок, она обращается к историческим данным о том, как прошлые акции влияли на спрос, и закладывает в прогноз примерно 20% прироста продаж в дни промо-активности. Разница наглядная: красная линия (без акций) идет ровно, синяя (с данными об акциях) показывает всплески в нужные дни.\n\nПредыдущие версии строили прогноз шаг за шагом - каждый следующий блок опирался на предыдущий, ошибки накапливались, а вычислительная нагрузка росла. TimesFM-3 сразу помечает все будущие точки как пропуски и заполняет их за один проход. Это быстрее и точнее.\n\n## Бенчмарки: первое место на всех трех\n\nGoogleисследователи проверили модель на трех стандартных тестах для прогнозных моделей.\n\nНа Gift-Eval TimesFM-3 занял первое место среди всех предобученных моделей - с заметным отрывом даже в одномерном режиме. На FEV-Bench (100 разнородных реальных задач) снова первое место; Amazon Chronos-2 близко подбирается в одномерном режиме, но в полном мультивариантном режиме отстает. На TIME Benchmark (50 доменов, 98 задач оценки) - опять первое место, следом идет семейство Toto-2.0. TimesFM-2.5 на этом фоне заметно проигрывает.\n\nЧестный вывод из этих цифр: в одномерном режиме разрыв между моделями небольшой. Настоящий отрыв появляется именно тогда, когда подключаются дополнительные переменные - то, чего конкуренты пока не поддерживают на уровне нативной архитектуры.\n\n## Где получить и как использовать\n\nМодель уже доступна на GitHub (репозиторий google-research/timesfm) и Hugging Face (чекпоинт google/timesfm-3.0-pytorch). Установка через pip: `pip install timesfm[torch]` или `pip install timesfm[mlx]` для нативного инференса на Apple Silicon.\n\nЗдесь есть важная оговорка, которую легко пропустить. Исходный код распространяется под лицензией Apache-2.0, как и веса версий до 2.5. Но веса TimesFM-3.0 вышли под отдельной лицензией timesfm-non-commercial-license-v1.0 - коммерческое и производственное использование дефолтных весов запрещено. Для бизнеса путь - через BigQuery ML (Google анонсировала добавление туда TimesFM-3 в ближайшее время), Vertex Model Garden или Google Sheets, где модель уже интегрирована.\n\nДля российских пользователей: BigQuery и Vertex доступны через Google Cloud, который формально работает в РФ, но с известными ограничениями по оплате и санкционными рисками. Прямой доступ к Hugging Face и GitHub из России работает без VPN, установить пакет и запустить модель локально - технически без проблем, если задача некоммерческая.\n\n## Что это меняет на практике\n\nTimesFM с момента первой версии в 2024 году используют в рознице, финансах, производстве, здравоохранении и науках о природе. Третья версия делает модель пригодной для задач, которые раньше требовали либо сложной кастомной инженерии, либо дообучения специализированных архитектур.\n\nДля аналитиков и дата-инженеров это означает: можно взять предобученную модель, скормить ей несколько связанных рядов плюс известные будущие события - и получить калиброванный прогноз с диапазоном неопределенности без единой строчки кода обучения. Это реально меняет порог входа.\n\nGoogle планирует добавить TimesFM-3 в BigQuery - и тогда весь этот функционал станет доступен через SQL-запросы в масштабе предприятия. Для компаний, уже работающих в экосистеме Google Cloud, это может оказаться аргументом посильнее бенчмарковых таблиц.\n\nИнформация подтверждена несколькими независимыми публикациями, включая официальный блог Google Research и репозиторий проекта.", "usedSources": [ "https://the-decoder.com/googles-new-ai-model-predicts-the-future-from-sales-data-weather-and-discount-schedules/", "https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/", "https://github.com/google-research/timesfm" ], "primaryCompany": "Google", "primaryCategory": "chat", "tags": ["Google", "TimesFM-3", "прогнозирование", "временные ряды", "машинное обучение"], "coverObjects": ["miniature retail shelf with ice cream", "weather forecast display screen", "discount price tag", "transformer architecture grid diagram", "bar chart with forecast lines"], "coverCamera": "top-down diorama", "coverMood": "cool blue melancholy", "coverMascotRole": "holding a key prop on the side", "coverScene": "A top-down miniature diorama of a data research lab table bathed in cool blue light. In the center: a tiny retail shelf stocked with miniature ice cream containers, surrounded by thin glowing forecast lines rising like holograms. To the left: a small weather display screen showing sun and rain icons. In the foreground right: a bright orange discount price tag clipped to the shelf edge. A transparent grid of nodes and lines representing the transformer architecture floats above the scene as an overlay. The Gen-hub mascot stands to the right side, holding a small bar chart printout with two diverging forecast lines - one flat red, one spiking blue - while glancing at the shelf with analytical curiosity. No text or logos anywhere in the scene." }